La neumonía es una enfermedad que ha causado gran cantidad de muertes a nivel mundial. Los métodos de detección de neumonía: pruebas de sangre, prueba de esputo, tomografía computarizada y las radiografías (RX) de tórax en general requieren de un médico especialista y tiempo para su análisis. El objetivo de esta investigación fue generar un modelo basado en instancias semánticas y aprendizaje profundo (Mask-RCNN) que permita el apoyo en el diagnóstico de opacidades pulmonares y neumonía. Usando 12 024 imágenes de radiografías de rayos X de tórax se realizaron 3 experimentos, en los que se variaron las condiciones de las imágenes del dataset (exp1: imágenes RX pacientes con neumonía, exp2: imágenes RX pacientes sanos y con neumonía, exp3: imágenes RX pacientes sanos y con neumonía, más data augmentation). Para los 3 experimentos se realizó un preprocesamiento de ecualización de histograma. Para evaluar el desempeño de los modelos de identificación de opacidades y clasificación de pacientes con neumonía, se utilizaron los parámetros intersección sobre la unión, precisión, recall, F1score y accuracy. Se encontró que la métrica de mejor desempeño fue recall para el experimento 1 tanto para la detección de opacidades como de neumonía.