La invasión perineural (PNI), un signo de mal diagnóstico y metástasis tumoral, es común en una variedad de tumores malignos. Los patrones de infiltración y morfologías de los tumores varían según el órgano y la diversidad histológica, lo que hace que la detección de PNI sea difícil en la biopsia, que debe ser realizada manualmente por patólogos. Dado que los diámetros de los nervios PNI se miden en una escala de milímetros, la región PNI es extremadamente pequeña en comparación con toda la imagen patológica. En este estudio, se propone un método eficiente basado en aprendizaje profundo para detectar regiones PNI en múltiples tipos de cáncer utilizando solo anotaciones PNI sin mapas detallados de segmentación para cada nervio y células tumorales obtenidas por patólogos. La idea clave del método propuesto es entrenar el modelo de aprendizaje profundo adoptado, U-Net, para capturar las regiones de límite donde coexisten dos características. Se proponen un método de dilatación de límites y una técnica de combinación de pérdidas para mejorar el rendimiento de detección de PNI sin requerir mapas completos de segmentación. Se realizaron experimentos con diversas combinaciones de anchos de dilatación de límites y funciones de pérdida. Se confirma que el método propuesto mejora efectivamente el rendimiento de detección de PNI de 0.188 a 0.275. También se realizaron experimentos adicionales en la detección de nervios normales para validar la aplicabilidad del método propuesto a las tareas generales de detección de límites. Los resultados experimentales demuestran que el método propuesto también es efectivo para tareas generales, y mejoró el rendimiento de detección de nervios de 0.511 a 0.693.