La detección asistida por computadora (CADe) de masas en la tomosíntesis digital de mama (DBT) es crucial para el diagnóstico temprano del cáncer de mama. Sin embargo, la variabilidad en el tamaño y morfología de las masas mamarias y su semejanza con los tejidos circundantes presentan desafíos significativos. Los métodos actuales de CADe basados en CNN, en particular aquellos que utilizan Feature Pyramid Networks (FPN), a menudo fallan en integrar información a múltiples escalas de manera efectiva y tienen dificultades para manejar tejido glandular denso con lesiones de masa de alta densidad o iso-densidad debido a la integración unidireccional y atenuación progresiva de características, lo que conduce a altas tasas de falsos positivos. Además, los límites comúnmente indistintos de las masas mamarias introducen incertidumbre en la localización de límites, lo que hace que la modelación de límites tradicional de Dirac sea insuficiente para una regresión de límites precisa. Para abordar estos problemas, proponemos la red CU-Net, que fusiona eficientemente características a múltiples escalas y modela con precisión límites borrosos. Específicamente, el CU-Net introduce la Feature Pyramid Network Adaptativa de Atención Cruzada (CA-FPN), que mejora la efectividad y precisión de las interacciones de características a través de un mecanismo de atención cruzada para capturar correlaciones globales a través de mapas de características a múltiples escalas. Simultáneamente, el Módulo Perceptual de Densidad Mamaria (BDPM) incorpora información de densidad mamaria para ponderar características intermedias, mejorando así el enfoque de la red en regiones mamarias densas susceptibles a falsos positivos. Para los límites de masa borrosos, introducimos la Modelización de Incertidumbre de Límites (UBM) para modelar la función de distribución posicional de las cajas delimitadoras predichas para masas con límites inciertos. En experimentos comparativos en un conjunto de datos clínicos de DBT interno y el conjunto de datos BCS-DBT, el método propuesto logró sensibilidades del 89.68% y 72.73% con 2 falsos positivos por volumen de DBT (FPs/DBT), respectivamente, superando significativamente a los métodos de detección existentes de última generación. Este método ofrece a los médicos asistencia diagnóstica rápida, precisa y objetiva, demostrando un potencial sustancial para la aplicación clínica.