En la cirugía reconstructiva, los colgajos son la piedra angular para reparar defectos de tejido, pero el monitoreo postoperatorio de su viabilidad sigue siendo un desafío. Entre las técnicas de imagen para monitorear los colgajos, la cámara térmica ha demostrado su valor como un método indirecto eficiente que es fácil de usar e integrar en la práctica clínica. Esto proporciona una imagen de espectro de color estrecho que es propicia para el desarrollo de una red neuronal artificial en el contexto del progreso tecnológico actual. En el presente estudio, presentamos un nuevo modelo de atención mejorado recurrente residual U-Net (AER2U-Net) que es capaz de segmentar con precisión los colgajos en imágenes termográficas. Este modelo fue entrenado en una base de datos única generada de imágenes termográficas obtenidas al monitorear a 40 pacientes que requirieron cirugía de colgajo. Comparamos el AER2U-Net propuesto con varios redes neuronales de última generación utilizadas para la segmentación multimodal de imágenes médicas, todas basadas en la arquitectura U-Net (U-Net, R2U-Net, AttU-Net). Los resultados experimentales demuestran que nuestro modelo (AER2U-Net) logra un rendimiento significativamente mejor en nuestro conjunto de datos único en comparación con estas variantes existentes de U-Net, mostrando una precisión del 0.87. Este algoritmo basado en aprendizaje profundo ofrece un método no invasivo y preciso para monitorear la vitalidad del colgajo y detectar complicaciones postoperatorias tempranas, con una mayor refinación necesaria para mejorar su aplicabilidad clínica y efectividad.