La tecnología de aprendizaje profundo ha logrado resultados de investigación innovadores en los campos de visión por computadora médica y procesamiento de imágenes. Las redes generativas adversarias (GANs) han demostrado una capacidad para la generación de imágenes y habilidad de expresión. Este documento propone un nuevo método llamado MWG-UNet (red generativa adversaria de Wasserstein con múltiples tareas en forma de red U) como un modelo de segmentación de campos pulmonares y corazón, que aprovecha el mecanismo de atención para mejorar la precisión de la segmentación del generador y, por lo tanto, mejorar el rendimiento. En particular, la similitud de Dice, la precisión y la puntuación F1 del método propuesto superan a otros modelos, alcanzando el 95.28%, 96.41% y 95.90%, respectivamente, y la especificidad supera a los modelos subóptimos en 0.28%, 0.90%, 0.24% y 0.90%. Sin embargo, el valor del IoU es inferior al del modelo óptimo en 0.69%. Los resultados muestran que el método propuesto tiene una considerable capacidad en la segmentación de campos pulmonares. Nuestros resultados de segmentación de múltiples órganos para el corazón logran valores de similitud de Dice e IoU del 71.16% y 74.56%. Los resultados de segmentación en campos pulmonares alcanzan valores de similitud de Dice e IoU del 85.18% y 81.36%.