El diagnóstico patológico se considera declarativo y autoritario. Sin embargo, la lectura de las diapositivas de patología es una tarea desafiante. Diferentes partes de la sección se toman y se leen con diferentes propósitos y enfoques, lo que añade dificultad al diagnóstico del patólogo. En los últimos años, la red neuronal profunda ha avanzado mucho en la dirección de la visión por computadora y el enfoque principal para la segmentación de imágenes es el uso de redes neuronales convolucionales, a través de las cuales se capturan las propiedades espaciales de los datos. Entre una amplia variedad de estructuras de red diferentes, una de las más representativas es UNET con estructuras de codificador y decodificador. La mayor ventaja de UNET tradicional es que aún puede funcionar bien con un pequeño número de muestras, pero debido a que la información en el mapa de características se pierde en el proceso de reducción de la resolución de UNET, y se pierde una gran cantidad de información detallada espacialmente precisa en la parte de decodificación. Esto dificulta completar la segmentación precisa de imágenes celulares con números densos y alta adherencia. Por esta razón, proponemos una nueva estructura de red basada en UNET, que se puede utilizar para segmentar imágenes celulares mediante la agregación de información contextual global entre diferentes canales y asignando diferentes pesos a los canales correspondientes a través del mecanismo adaptativo en puerta, mejoramos el rendimiento de UNET en la tarea de segmentación celular y consideramos el uso de métodos de segmentación no supervisados para la segmentación secundaria de los resultados predichos de nuestro modelo, y los resultados finales obtenidos se prueban para cumplir con las necesidades de los lectores.