En los últimos años, UNet y sus variantes mejoradas se han convertido en los principales métodos para la segmentación de imágenes médicas. Aunque estos modelos han logrado excelentes resultados en precisión de segmentación, su gran cantidad de parámetros de red y alta complejidad computacional dificultan lograr la segmentación de imágenes médicas en tiempo real para terapia y diagnóstico rápidos. Para abordar este problema, presentamos una red ligera de segmentación de imágenes médicas (LcmUNet) basada en CNN y MLP. Diseñamos la estructura de LcmUNet en términos de rendimiento del modelo, parámetros y complejidad computacional. Las tres primeras capas son capas convolucionales, y las dos últimas capas son capas MLP. En la parte convolucional, proponemos un módulo LDA que combina convolución asimétrica, convolución separable en profundidad y un mecanismo de atención para reducir el número de parámetros de red manteniendo una fuerte capacidad de extracción de características. En la parte MLP, proponemos un módulo LMLP que ayuda a mejorar la información contextual centrándose en la información local y mejora la precisión de segmentación manteniendo una alta velocidad de inferencia. Esta red también incluye conexiones de salto entre el codificador y el decodificador en varios niveles. Nuestra red logra resultados de segmentación en tiempo real de manera precisa en experimentos extensos. Con solo 1,49 millones de parámetros de modelo y sin preentrenamiento, LcmUNet demostró un rendimiento impresionante en diferentes conjuntos de datos. En el conjunto de datos ISIC2018, logró un IoU del 85,19%, una recuperación del 92,07% y una precisión del 92,99%. En el conjunto de datos BUSI, logró un IoU del 63,99%, una recuperación del 79,96% y una precisión del 76,69%. Por último, en el conjunto de datos Kvasir-SEG, LcmUNet logró un IoU del 81,89%, una recuperación del 88,93% y una precisión del 91,79%.