En las últimas décadas, las redes neuronales profundas se han aplicado extensamente a tareas de segmentación de imágenes médicas, logrando un éxito significativo. Sin embargo, la efectividad de las redes de segmentación profundas tradicionales está sustancialmente limitada por la pequeña escala de los conjuntos de datos médicos, una limitación que proviene directamente de las capacidades actuales de adquisición de datos médicos. Con este fin, presentamos AttEUnet, una red de segmentación de células médicas mejorada por atención de bordes, basada en la arquitectura Attention U-Net. Incorpora una rama de detección mejorada con atención de bordes y una unidad de puerta de fusión aprendible para mejorar la precisión de segmentación y la velocidad de convergencia en pequeños conjuntos de datos médicos. El AttEUnet permite la integración de varios tipos de información previa en la red principal según diferentes tareas, ofreciendo una notable flexibilidad y capacidad de generalización. Este método fue entrenado y validado en dos conjuntos de datos públicos, MoNuSeg y PanNuke. Los resultados muestran que AttEUnet mejora significativamente el rendimiento de segmentación en pequeños conjuntos de datos médicos, especialmente en la captura de detalles de bordes, con puntuaciones F1 de 0.859 y 0.888 y puntuaciones de Intersección sobre Unión (IoU) de 0.758 y 0.794 en los respectivos conjuntos de datos, superando tanto a las redes neuronales convolucionales (CNNs) como a las redes base basadas en transformadores. Además, el método propuesto demostró una velocidad de convergencia más de 10.6 veces más rápida que la de las redes base. La rama de atención de bordes propuesta en este estudio también se puede agregar como un módulo independiente a otras estructuras de red clásicas y puede integrar más prioridades de atención según la tarea en cuestión, ofreciendo una escalabilidad considerable.