Los modelos de redes convolucionales han sido ampliamente utilizados en la segmentación de imágenes. Sin embargo, existen muchos tipos de características de contorno de límites en imágenes médicas que afectan seriamente la estabilidad y precisión de los modelos de segmentación de imágenes, como la ambigüedad de los tumores, la variabilidad de las lesiones y los límites débiles de los finos vasos sanguíneos. En este artículo, para resolver estos problemas primero introducimos el módulo de transformación de dispersión de onda compleja de árbol dual, y luego proponemos de manera innovadora un modelo de red de onda de dispersión de aprendizaje. Además, se construye una nueva función de pérdida de contorno activo mejorada para tratar la segmentación compleja. Finalmente, se discute el coeficiente de equilibrio de nuestro modelo. Los experimentos en el conjunto de datos BraTS2020 muestran que el modelo LSW-Net ha mejorado el coeficiente de Dice, la precisión y la sensibilidad de los clásicos modelos FCN, SegNet y At-Unet en al menos un 3,51%, 2,11% y 0,46%, respectivamente. Además, el modelo LSW-Net aún tiene ventaja en la medida promedio de los coeficientes de Dice en comparación con algunos modelos avanzados de segmentación. Los experimentos en el conjunto de datos DRIVE demuestran que nuestro modelo supera a otros 14 algoritmos tanto en el coeficiente de Dice como en las medidas de especificidad. En particular, la sensibilidad de nuestro modelo proporciona una mejora del 3,39% en comparación con el modelo Unet, y el efecto del modelo es evidente.