Esta tesis de doctorado se centra en el uso de técnicas de aprendizaje profundo para la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando las limitaciones de los datos y el desafío del cambio de dominio. Debido al costo y tiempo que implica el diseño manual de implantes craneales, se proponen enfoques novedosos basados en aprendizaje autosupervisado. En estos se simula la extracción del hueso en tomografías computarizadas de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales de pacientes. Este procedimiento, denominado “craniectomía virtual”, se ha mejorado mediante la incorporación de patrones de simulación más complejos y variables. Las estrategias planteadas superan en tiempo y desempeño a métodos alternativos como los modelos de forma estadística y otros enfoques de aprendizaje profundo. Además, se explora la utilización de restricciones o conocimiento anatómico previo sobre la forma esperada, que imita la variabilidad de los defectos craneales reales en la entrada del modelo, con el objetivo de mejorar su solidez al enfrentar implantes con formas fuera de distribución y de mayor resolución. En la segunda parte, la tesis se enfoca en estudiar la robustez de los modelos de segmentación de imágenes médicas frente a variaciones en la adquisición de imágenes y las poblaciones de pacientes. Se estudia la segmentación de hiperintensidades de la sustancia blanca en resonancias magnéticas cerebrales, evaluando técnicas de regularización por entropía para mejorar la estimación de incertidumbre en las predicciones, especialmente bajo condiciones de cambio de dominio. Se analizó la correlación entre las estimaciones de incertidumbre y los errores de segmentación, encontrando que métodos de regularización por entropía, como la entropía máxima en predicciones erróneas, mejoran la capacidad del modelo para expresar incertidumbre en áreas de mayor ambigüedad. Los resultados demuestran que estas estrategias pueden detectar cambios de dominio y servir como indicadores de errores de segmentación en ausencia de anotaciones manuales, con mejoras significativas en la calibración del modelo tanto en datos dentro como fuera de distribución. La investigación propuesta en esta tesis ofrece avances novedosos en términos metodológicos en el área del aprendizaje automático, con aplicaciones en dos problemas de análisis computacional de imágenes cerebrales. Las soluciones propuestas contribuyen a mejorar la precisión, eficiencia y robustez tanto en la reconstrucción de implantes craneales como en la segmentación de imágenes médicas, con un enfoque hacia su aplicación clínica. La validación experimental en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra el potencial de estas metodologías para mejorar significativamente los procesos de planificación quirúrgica y diagnóstico asistido por computadora, por lo que se espera que resulte finalmente en una mejora del cuidado de pacientes.