La segmentación destacada es un paso crítico en el análisis de imágenes biomédicas, con el objetivo de recortar regiones que resulten más interesantes para los humanos. Recientemente, los métodos supervisados han logrado resultados prometedores en áreas biomédicas, pero dependen de conjuntos de datos de entrenamiento anotados, lo cual requiere mano de obra y competencia en conocimientos relacionados. En contraste, el aprendizaje no supervisado toma decisiones basadas en los datos mismos. En este documento, proponemos una red autoconsciente completamente no supervisada basada en pre-entrenamiento y retropropagación atencional para la segmentación destacada biomédica, denominada PUB-SalNet. En primer lugar, agregamos un nuevo conjunto de datos biomédicos de varios conjuntos de datos simulados de Tomografía Crioelectrónica Celular (CECT) que presentan objetos destacados, diferentes configuraciones de SNR y diversas resoluciones, llamado SalSeg-CECT. Basándonos en el conjunto de datos SalSeg-CECT, luego pre-entrenamos un modelo especialmente diseñado para tareas biomédicas como módulo base para inicializar los parámetros de la red. A continuación, presentamos una red U-SalNet para aprender a atender selectivamente a los objetos destacados. Incluye dos tipos de módulos de atención para facilitar el aprendizaje de la saliencia a través del contraste global y la similitud local. Por último, refinamos conjuntamente las regiones destacadas junto con las representaciones de características de U-SalNet, con los parámetros actualizados mediante retropropagación atencional autoconsciente. Aplicamos PUB-SalNet para el análisis de imágenes 2D simuladas y reales y logramos un rendimiento de vanguardia en conjuntos de datos biomédicos simulados. Además, nuestra propuesta PUB-SalNet se puede extender fácilmente a imágenes 3D. Los resultados experimentales en los conjuntos de datos 2D y 3D también demuestran la capacidad de generalización y la robustez de nuestro método.