Diagnosticar algunas patologías oculares, como la retinopatía diabética (RD), depende de detectar con precisión lesiones en la retina del ojo. Los métodos automáticos de segmentación de lesiones basados en aprendizaje profundo involucran modelos pesados y aún no han logrado producir la calidad de resultados deseada. Este documento presenta un nuevo método de aprendizaje profundo para segmentar los cuatro tipos de lesiones de RD encontradas en imágenes de fondo de ojo. El método, llamado LezioSeg, se basa en módulos multi-escala y conexiones de salto con compuertas. Tiene tres componentes: (1) Dos módulos multi-escala, el primero es el agrupamiento de pirámide espacial atrous (ASPP), que se inserta en el cuello de la red, mientras que el segundo se agrega al final del decodificador para mejorar la extracción de características de la imagen de fondo; (2) Codificador MobileNet de ImageNet; y (3) mecanismo de conexión de salto con compuertas (GSC) para mejorar la capacidad de obtener información sobre lesiones en la retina. Los experimentos utilizando técnicas de transformación basadas en afinidad mostraron que esta arquitectura mejoró el rendimiento en la segmentación de lesiones en los conocidos conjuntos de datos IDRiD y E-ophtha. Considerando la métrica estándar AUPR, para el conjunto de datos IDRiD, obtuvimos 81% para exudados blandos, 86% para exudados duros, 69% para hemorragias y 40% para microaneurismas. Para el conjunto de datos E-ophtha, logramos un AUPR de 63% para exudados duros y 37.5% para microaneurismas. Estos resultados muestran que nuestro modelo con aumento basado en afinidad logró resultados competitivos en comparación con varias técnicas de vanguardia, pero con un modelo con muchos menos parámetros.