Separar núcleos superpuestos es un desafío significativo en el análisis de imágenes histopatológicas. Los enfoques publicados recientemente han logrado un rendimiento general prometedor en la segmentación de núcleos; sin embargo, su rendimiento en la separación de núcleos superpuestos es limitado. Para abordar este problema, proponemos una nueva red de aprendizaje multitarea con un regularizador de pérdida de flexión para separar núcleos superpuestos con precisión. La nueva arquitectura de aprendizaje multitarea propuesta mejora la generalización al aprender una representación compartida de las siguientes tres tareas: segmentación de instancias, predicción del mapa de distancia de núcleos y predicción del mapa de distancia de núcleos superpuestos. La pérdida de flexión propuesta define altas penalizaciones para los puntos de contorno cóncavos con grandes curvaturas, y se aplican pequeñas penalizaciones a los puntos de contorno convexos con pequeñas curvaturas. Minimizar la pérdida de flexión evita generar contornos que engloben múltiples núcleos. Además, se han diseñado dos nuevas métricas cuantitativas, el Índice de Jaccard Agregado de núcleos superpuestos (AJIO) y la precisión de núcleos superpuestos (ACCO), para evaluar la segmentación de núcleos superpuestos. Validamos el enfoque propuesto en los conjuntos de datos CoNSeP y MoNuSegv1 utilizando las siguientes siete métricas cuantitativas: Índice de Jaccard Agregado, Dice, Calidad de Segmentación, Calidad de Reconocimiento, Calidad Panóptica, AJIO y ACCO. Experimentos extensos demuestran que el Bend-Net propuesto supera a ocho enfoques de vanguardia.