La solución de problemas de segmentación con redes neuronales profundas requiere una función de pérdida bien definida para la comparación y el entrenamiento de la red. En la mayoría de los enfoques de entrenamiento de redes, solo se consideran las diferencias basadas en el área que son de diferente importancia de píxeles; la distribución no lo es. Nuestro cerebro puede comparar objetos complejos con facilidad y considera simultáneamente las diferencias a nivel de píxeles y topológicas, y la comparación entre objetos requiere una métrica adecuadamente definida que determine la similitud entre ellos considerando cambios tanto en la forma como en los valores. En años anteriores, los aspectos topográficos se incorporaron en funciones de pérdida donde se emplearon píxeles de frontera o la relación de las áreas en el cálculo de la diferencia. En este documento mostraremos cómo la aplicación de una métrica topográfica, llamada pérdida de onda, puede aplicarse en el entrenamiento de redes neuronales y aumentar la precisión de los algoritmos de segmentación tradicionales. Nuestro método ha aumentado la precisión de segmentación en un 3% en los conjuntos de datos de Cityscapes y Ms-Coco, utilizando varias arquitecturas de red.