Los recientes avances en el aprendizaje profundo han mostrado un potencial significativo para la detección precisa de células a través de la regresión del mapa de densidad utilizando anotaciones de punto. Sin embargo, los modelos de aprendizaje profundo existentes a menudo tienen dificultades con la extracción e integración de características a múltiples escalas en imágenes histopatológicas complejas. Además, en escenarios de detección de células de múltiples clases, los métodos actuales de regresión de mapas de densidad suelen predecir cada tipo de célula de forma independiente, sin considerar las prioridades de distribución espacial de los diferentes tipos de células. Para abordar estos desafíos, proponemos CellRegNet, un modelo novedoso de aprendizaje profundo para la detección de células utilizando anotaciones de punto. CellRegNet integra una arquitectura híbrida CNN/Transformer con mecanismos innovadores de refinamiento y selección de características, abordando la necesidad de una extracción e integración efectiva de características a múltiples escalas. Además, introducimos una pérdida de regularización contrastiva que modela la prioridad de exclusividad mutua en casos de detección de células de múltiples clases. Experimentos extensos en tres conjuntos de datos de imágenes histopatológicas demuestran que CellRegNet supera a los métodos existentes de última generación para la detección de células utilizando anotaciones de punto, con F1-scores del 86.38% en BCData (cáncer de mama), 85.56% en EndoNuke (tejido endometrial) y 93.90% en MBM (células de médula ósea), respectivamente. Estos resultados destacan el potencial de CellRegNet para mejorar la precisión y confiabilidad de la detección de células en patología digital.