La tomografía de coherencia óptica (OCT) es una técnica de imagen óptica de alta resolución para el diagnóstico oftalmológico. En este artículo, aprovechamos la entrada multi-escala, la salida lateral multi-escala y el mecanismo de atención dual y presentamos una arquitectura mejorada de U-Net anidada (MDAN-UNet), una nueva red convolucional totalmente poderosa para la segmentación automática de extremo a extremo de imágenes de OCT. Hemos evaluado dos versiones de MDAN-UNet (MDAN-UNet-16 y MDAN-UNet-32) en dos conjuntos de datos de referencia públicos que son el conjunto de datos Duke Diabetic Macular Edema (DME) y el conjunto de datos RETOUCH, en comparación con otros métodos de segmentación de vanguardia. Nuestro experimento demuestra que MDAN-UNet-32 logró el mejor rendimiento, seguido por MDAN-UNet-16 con un menor parámetro, para la segmentación de múltiples capas y la segmentación de múltiples fluidos respectivamente.