La segmentación de imágenes médicas juega un papel crucial en el procesamiento de imágenes médicas, centrándose en la extracción automatizada de regiones de interés (como órganos, lesiones, etc.) de imágenes médicas. Este proceso apoya diversas aplicaciones clínicas, incluyendo diagnóstico, planificación quirúrgica y tratamiento. En este documento, presentamos un Boundary-guided Context Fusion U-Net (BCF-UNet), un enfoque novedoso diseñado para abordar una deficiencia crítica en los métodos actuales: la incapacidad de integrar de manera efectiva la información de límites con el contexto semántico. El BCF-UNet introduce un codificador de múltiples frecuencias adaptativo (AMFE), que utiliza un análisis de múltiples frecuencias inspirado en la Transformada Wavelet (WT) para capturar de manera eficiente características locales y globales. El codificador de múltiples frecuencias adaptativo (AMFE) descompone las imágenes en diferentes componentes de frecuencia y se adapta de manera más efectiva a la información de textura de límites a través de una función de activación aprendible. Además, presentamos un nuevo módulo de fusión de características multi-escala, el Módulo de Fusión Adaptativa de Núcleo de Atención (AKAFM), diseñado para integrar información semántica profunda con detalles de textura superficiales, cerrando significativamente la brecha entre características en diferentes escalas. Además, cada capa de la subred del codificador integra un Módulo de Pirámide Consciente de Límites (BAPM), que utiliza un método simple y efectivo y lo combina con conocimiento a priori para extraer características de bordes multi-escala y mejorar la precisión de la segmentación de límites. En BCF-UNet, el contexto semántico se utiliza para guiar la extracción de información de bordes, permitiendo que el modelo comprenda e identifique de manera más efectiva las relaciones entre diversas estructuras organizativas. Evaluaciones experimentales exhaustivas en dos conjuntos de datos demuestran que el BCF-UNet propuesto logra un rendimiento superior en comparación con los métodos actuales de vanguardia.