Este trabalho investiga o uso de técnicas de Deep Learning para segmentação semântica de cateteres venosos centrais (CVC) em radiografias de tórax. O objetivo é auxiliar na identificação desses dispositivos para determinação de seu posicionamento, reduzindo complicações associadas a procedimentos invasivos. Inicialmente, abordamos desafios como o pequeno tamanho relativo dos dispositivos CVC nas imagens e o desbalanceamento dos dados. Para isso, utilizamos diferentes backbones, como Resnets e E!cientNets, além de realizar ajustes no redimensionamento das imagens. Para melhorar a robustez e a capacidade de generalização dos modelos, aplicamos técnicas de data augmentation. Implementamos um ensemble de modelos, combinando os resultados de várias arquiteturas individuais, o que se mostrou eficaz ao superar os modelos isolados em diversas métricas de desempenho. Um script adicional foi desenvolvido para identificar a presença do CVC nas predições do ensemble, analisando a contagem de pixels ativos e a detecção de contornos. Os resultados finais demonstraram que a abordagem de ensemble aprimora a precisão e a confiabilidade na detecção de CVCs. Futuras pesquisas devem focar na exploração da classificação do posicionamento do dispositivo, como uma etapa subsequente, visando melhorar mais a aplicabilidade clínica dessas técnicas.