Los métodos existentes de segmentación de núcleos han obtenido resultados limitados con imágenes de todo el centro y todo el órgano de múltiples centros debido al uso de diferentes tintes, escáneres, superposición, núcleos agrupados y la frontera ambigua entre núcleos celulares adyacentes. En un intento de abordar estos problemas, proponemos un método eficiente de segmentación de núcleos consciente del tinte basado en aprendizaje profundo para WSIs de múltiples centros. A diferencia de todos los trabajos relacionados que explotan una plantilla de un solo tinte del conjunto de datos para normalizar WSIs, proponemos un algoritmo eficiente para seleccionar un conjunto de plantillas de tinte basadas en el agrupamiento de tintes. Se entrenan modelos individuales de aprendizaje profundo basados en cada plantilla de tinte, y luego, se emplea una función de agregación basada en la integral de Choquet para combinar las máscaras de segmentación de los modelos individuales. Con un desafiante conjunto de datos de WSIs de múltiples centros y múltiples órganos, los resultados experimentales demuestran que el método propuesto supera a los métodos de segmentación de núcleos de vanguardia con un índice de Jaccard agregado (AJI) y puntuaciones F1 de y , respectivamente, logrando al mismo tiempo un menor número de parámetros.