Este artículo presenta una arquitectura de aprendizaje profundo para segmentar fluidos retinianos en pacientes con Edema Macular Diabético (EMD) y Degeneración Macular Relacionada con la Edad (DMAE). La segmentación precisa de múltiples tipos de fluidos es crucial para el diagnóstico y la planificación del tratamiento, pero las técnicas existentes a menudo tienen dificultades con la precisión. Proponemos una red codificador-decodificador inspirada en U-Net, que procesa imágenes de OCT mejoradas y sus mapas de bordes. El codificador incorpora módulos Residual e Inception con un mecanismo de atención multisensorial basado en autoencoders para extraer características detalladas. Nuestro método muestra un rendimiento superior en varios conjuntos de datos. En el conjunto de datos RETOUCH, la red logró puntuaciones F1 de 0.82 para fluido intra-retiniano (FIR), 0.93 para fluido subretiniano (FSR) y 0.94 para desprendimiento del epitelio pigmentario (PED). El modelo también tuvo un buen desempeño en los conjuntos de datos OPTIMA y DUKE, demostrando alta precisión, recall y puntuaciones F1. Esta arquitectura mejora significativamente la precisión de la segmentación y la precisión de los bordes, ofreciendo una herramienta valiosa para diagnosticar y manejar enfermedades retinianas. Su integración de procesamiento de doble entrada, atención multisensorial y módulos de codificación avanzados destaca su potencial para mejorar los resultados clínicos y avanzar en el tratamiento de enfermedades retinianas.