La presencia de microorganismos ambientales es inevitable en nuestro entorno, y la segmentación es esencial para que los investigadores identifiquen, entiendan y utilicen los microorganismos; aprovechen sus beneficios; y eviten daños. Sin embargo, la segmentación de microorganismos ambientales es un desafío porque sus límites vagos son casi transparentes en comparación con los del entorno. En este estudio, proponemos una red con un módulo de retroalimentación de incertidumbre para encontrar límites y regiones ambiguas y un módulo de atención para localizar la región principal del microorganismo. Además, aplicamos un módulo de predicción intermedia para producir resultados de segmentación de baja resolución directamente desde bloques decodificadores en cada nivel. Este módulo puede ayudar al codificador y al decodificador a capturar detalles de diferentes escalas. Finalmente, utilizamos una pérdida múltiple para guiar el entrenamiento. Evaluaciones experimentales rigurosas en el conjunto de datos de referencia demuestran que nuestro método logra puntajes más altos que otros modelos de red sofisticados (95.63% de precisión, 89.90% de Dice, 81.65% de Jaccard, 94.68% de sensibilidad, 0.59 de ASD, 2.24 de HD95 y 85.58% de precisión) y los supera.