El presente trabajo propone investigar formas de incorporar técnicas de procesamiento de imágenes y modelos de aprendizaje automático en el estudio de biopsias endometriales de yeguas con tinción hematoxilina y eosina (H&E). Las muestras de tejido se encuentran en formato Whole Slide Image (WSI), que son imágenes de muy alta resolución que pueden alcanzar fácilmente 30 000 millones de píxeles por canal y ocupar varios GB de almacenamiento. La fertilidad animal es un tema ampliamente estudiado con el fin de promover la crianza de animales que hereden características de sus progenitores. Especialmente en los equinos, se tienen yeguas muy cotizadas, utilizadas para diferentes deportes ecuestres, cuyo material genético es muy valioso. Los equinos no se seleccionan por sus características reproductivas como otros animales de producción, sino por sus aptitudes deportivas o fenotípicas. La salud uterina es fundamental para una gestación saludable, por lo que es de suma importancia conocer el estado del útero de la yegua. Para esto, entre otras técnicas, se realizan las biopsias endometriales. En estas biopsias los patólogos pueden estudiar la presencia y disposición de las diferentes estructuras en el endometrio, y estimar el potencial grado de fertilidad del animal. Este proyecto implementa un flujo de trabajo secuencial que abarca las siguientes tareas: realizar inferencia con modelos de segmentación sobre toda una WSI, alinear y cortar la WSI y las máscaras generadas en parches, posprocesar las mismas y extraer datos cuantitativos. De los modelos de aprendizaje automático aplicados, dos de ellos se tratan de modelos preentrenados sobre otros dominios (tejidos humanos), y segmentan glándulas y núcleos. El tercero se trata de un modelo de segmentación de fibrosis, que es una de las patologías principales que afecta la capacidad de las yeguas de llevar un embarazo a término. Este modelo fue entrenado con una base de datos generada durante el desarrollo de este proyecto. En cuanto a los datos cuantitativos a extraer, se explora sobre la densidad de glándulas y se busca clasificar los núcleos en dos clases: linfocito y no linfocito. Los resultados iniciales se consideran exitosos. Se entrenó un modelo de segmentación de fibrosis aplicando técnicas de transfer learning, normalización de color y aumentado de datos. Se logró procesar de punta-a-punta una WSI completa, en un mismo entorno y en una única ejecución. Se obtuvieron mapas de calor identificando zonas de la muestra que presentan alta densidad de las estructuras biológicas segmentadas. Se calculan datos cuantitativos del área de las glándulas y características de los núcleos, por medio del flujo de trabajo implementado.