La segmentación del tejido cerebral juega un papel crítico en el diagnóstico, tratamiento y estudio de las enfermedades cerebrales. Identificar con precisión estos límites es esencial para mejorar la exactitud de la segmentación. Sin embargo, distinguir los límites entre los diferentes tejidos cerebrales puede ser desafiante, ya que a menudo se superponen. Los métodos existentes de aprendizaje profundo calculan principalmente los resultados de segmentación globales sin abordar adecuadamente las regiones locales, lo que lleva a la propagación de errores y a la mala segmentación a lo largo de los límites. En este estudio, proponemos una nueva función de pérdida centrada en la mala segmentación basada en un marco de dos etapas nnU-Net. Nuestro enfoque tiene como objetivo mejorar la capacidad del modelo para manejar límites ambiguos y estructuras anatómicas superpuestas, logrando así resultados de segmentación de tejido cerebral más precisos. Específicamente, la primera etapa se enfoca en la identificación de regiones de mala segmentación utilizando una función de pérdida global, mientras que la segunda etapa implica definir una función de pérdida de mala segmentación para ajustar adaptativamente el modelo, mejorando así su capacidad para manejar límites ambiguos y estructuras anatómicas superpuestas. Evaluaciones experimentales en dos conjuntos de datos demuestran que nuestro método propuesto supera a los enfoques existentes tanto cuantitativa como cualitativamente.