A COVID-19 é uma doença infecciosa causada pelo novo coronavírus (SARS-COV-2). O número global de casos e mortes totaliza 662 milhões e 6.7 milhões em janeiro de 2023, respectivamente. Como esta doença é altamente contagiosa, o diagnóstico deve ser feito em sua fase inicial para que as medidas necessárias sejam tomadas, incluindo o isolamento do paciente. Além do diagnóstico, também é importante identificar como essa doença se apresenta nos pacientes, observando o acometimento dos pulmões. Com isso, é possível acompanhar a evolução dessa doença no paciente. Assim, é apresentada uma abordagem para detecção de lesões causadas pela COVID-19 em pacientes, utilizando imagens de tomografia computadorizada. A primeira etapa da metodologia proposta é encontrar quais fatias do exame possuem a região pulmonar. Para isso, propomos um método que classifica imagens de acordo com a presença ou não da região pulmonar, isso é realizado a partir do treinamento de uma rede neural convolucional. A segunda etapa consiste em segmentar possíveis lesões, nessa etapa são utilizadas somente as imagens que possuem região pulmonar, de acordo com a saída da etapa de classificação das regiões pulmonares. Para segmentar as lesões, primeiramente aplicamos etapas de pré-processamento e após isso, treinamos uma rede U-Net que é amplamente utilizada para segmentação em imagens médicas, juntamente com a técnica de aumento de dados. Neste trabalho, utilizamos vários experimentos onde o K-Fold representa o melhor método de avaliação. A metodologia proposta obteve as seguintes métricas: 78,40% de Dice, 64,80% de IoU, 78% de Sensibilidade, 100% de Especificidade, 89,60% de AUC e 81% de Precisão. Com isso, concluímos que o método para pré-processamento oferece uma forma de padronizar os exames de tomografia computadorizada, assim como a classificação se mostra promissora para a redução de falsos positivos e por fim, a segmentação apresenta resultados robustos com menor custo computacional em termos de parâmetros treináveis.