Las células progenitoras neurales (NPCs) son esenciales para la neurogénesis del hipocampo, área cerebral relacionada con el aprendizaje y la memoria. El reconocimiento y conteo celular es un biomarcador clave para analizar el comportamiento de proliferación, un proceso que tradicionalmente se realiza de manera visual sobre imágenes de microscopía. Este método tiende a ser tedioso, subjetivo y propenso a errores, principalmente cuando se realiza de forma manual. A esto se le suma la escasez de conjuntos de datos públicos orientados al marcador BrdU, lo que limita el desarrollo de herramientas de automatización. En este trabajo se propone una metodología semiautomática para el etiquetado de núcleos proliferativos de NPCs con marcadores DAPI y BrdU. El flujo de trabajo involucra técnicas de preprocesamiento, agrupamiento k-means basado en píxeles y análisis de colocalizacion espacial. Una vez realizada la detección de núcleos proliferativos de forma automática, las detecciones se refinaron manualmente con datos brindados por los genetistas y se obtuvo un dataset compuesto por 124 imágenes y 894 núcleos proliferativos. Este trabajo proporciona un Ground Truth estandarizado para el entrenamiento de modelos de Deep Learning para el análisis completo y automatizado de la proliferación de NPCs.