Las células mutadas pueden constituir una fuente de cáncer. Como un enfoque efectivo para cuantificar la extensión del cáncer, la segmentación de imágenes celulares es de particular importancia para entender el mecanismo de la enfermedad, observar el grado de lesiones en las células cancerosas y mejorar la eficiencia del tratamiento y el efecto útil de los medicamentos. Sin embargo, los modelos tradicionales de segmentación de imágenes no son soluciones ideales para la segmentación de imágenes de células cancerosas debido a que las células cancerosas son altamente densas y varían en forma y tamaño. Para abordar este problema, este artículo propone un nuevo modelo de segmentación de imágenes basado en U-Net, llamado U-Net_dc, que expande dos veces el codificador y decodificador originales de U-Net y, además, utiliza una operación de conexión de salto entre ellos, para una mejor extracción de las características de la imagen. Además, los mapas de características de las últimas capas de U-Net se amplían al mismo tamaño y luego se concatenan para producir la salida final, lo que permite que el mapa de características final retenga muchas características de nivel profundo. Además, se introducen módulos de convolución atrous densa (DAC) y agrupamiento de múltiples núcleos residuales (RMP) entre el codificador y el decodificador, lo que ayuda al modelo a obtener campos receptivos de diferentes tamaños, extraer mejor la expresión rica de características, detectar objetos de diferentes tamaños y obtener mejor la información contextual. Según los resultados obtenidos de experimentos realizados en el conjunto de datos privado de células cancerosas endometriales de la Universidad de Tsinghua y el conjunto de datos de Data Science Bowl 2018 (DSB2018) disponible públicamente, el modelo propuesto U-Net_dc supera a todos los modelos de última generación incluidos en el estudio de comparación de rendimiento, basado en todas las métricas de evaluación utilizadas.