Debido a las anotaciones manuales intensivas en mano de obra para la segmentación de núcleos, la segmentación supervisada por puntos basada en la supervisión de coordenadas de núcleos ha ganado reconocimiento en los últimos años. A pesar de un gran progreso, dos desafíos obstaculizan el rendimiento de los métodos de segmentación de núcleos débilmente supervisados: (1) La segmentación estable y efectiva de núcleos celulares adyacentes sigue siendo un desafío no resuelto. (2) Los enfoques existentes dependen únicamente de pseudoetiquetas iniciales generadas a partir de anotaciones de puntos para el entrenamiento, y etiquetas inexactas pueden hacer que el modelo asimile una cantidad considerable de información de ruido, disminuyendo así el rendimiento. Para abordar estos problemas, proponemos un método basado en la predicción de puntos centrales y la actualización de pseudoetiquetas para una segmentación precisa de núcleos. Primero, diseñamos un mecanismo de núcleo gaussiano que emplea máscaras gaussianas de múltiples escalas para la predicción de puntos centrales de múltiples ramas. Los puntos centrales generados son utilizados por el módulo de segmentación para facilitar la separación efectiva de núcleos adyacentes. A continuación, introducimos un mecanismo de atención guiado por puntos que concentra la atención del módulo de segmentación alrededor de etiquetas de puntos auténticas, reduciendo el impacto del ruido causado por las pseudoetiquetas. Finalmente, se introduce un mecanismo de actualización de etiquetas basado en el promedio móvil exponencial (EMA) y el agrupamiento k-means para mejorar la calidad de las pseudoetiquetas. Los resultados experimentales en tres conjuntos de datos públicos demuestran que nuestro enfoque ha logrado un rendimiento de vanguardia en múltiples métricas. Este método puede reducir significativamente los costos de anotación y la dependencia de expertos clínicos, facilitando el entrenamiento de conjuntos de datos a gran escala y promoviendo la adopción de análisis automatizados en aplicaciones clínicas.