La segmentación precisa y automatizada de imágenes de tejido cerebral puede agilizar significativamente el diagnóstico y análisis clínicos. La delineación manual necesita mejoras debido a su naturaleza laboriosa y repetitiva, mientras que las técnicas automatizadas encuentran desafíos derivados de disparidades en el equipamiento de adquisición de imágenes por resonancia magnética (IRM) y la etiquetación precisa. Los paquetes de software existentes, como FSL y FreeSurfer, no reemplazan completamente la segmentación de verdad de referencia, resaltando la necesidad de una herramienta de segmentación eficiente. Para capturar mejor la esencia del tejido cerebral, presentamos nnSegNeXt, una arquitectura de segmentación innovadora basada en los fundamentos de evaluación de calidad. Este marco pionero aborda eficazmente los desafíos planteados por anotaciones faltantes e inexactas. Para mejorar la capacidad discriminativa del modelo, integramos un mecanismo de atención convolucional 3D en lugar de bloques convolucionales convencionales, permitiendo la codificación simultánea de información contextual a través de la incorporación de características convolucionales multinivel. Nuestra metodología fue evaluada en cuatro conjuntos de datos de IRM ponderada en T1 de múltiples sitios de fuentes diversas, fortalezas de campo magnético, parámetros de escaneo, instancias temporales y condiciones neuropsiquiátricas. Las evaluaciones empíricas en los conjuntos de datos HCP, SALD e IXI revelan que nnSegNeXt supera al estimado nnUNet, logrando coeficientes de Dice de 0,992, 0,987 y 0,989, respectivamente, y demostrando una generalizabilidad superior en cuatro proyectos distintos con coeficientes de Dice que van de 0,967 a 0,983. Además, se han implementado extensos estudios de ablación para corroborar la efectividad del modelo propuesto. Estos hallazgos representan un avance notable en el análisis del tejido cerebral, sugiriendo que nnSegNeXt tiene el potencial de refinar significativamente los flujos de trabajo clínicos.