La segmentación y clasificación de núcleos son cruciales en el análisis de imágenes patológicas. Los métodos automatizados de clasificación y segmentación nuclear apoyan el análisis y la comprensión de las características y funciones celulares, permitiendo el análisis de formas nucleares a gran escala en el diagnóstico y tratamiento de enfermedades. Los problemas comunes en estas tareas surgen de los tamaños y formas inconsistentes de las células en cada imagen patológica. Este estudio tiene como objetivo desarrollar un nuevo método para abordar estos problemas basado principalmente en la red de distancia horizontal y vertical (HoVer-Net), unidades de filtro múltiples y mecanismos de compuerta de atención. Los resultados del estudio impactarán significativamente la segmentación y clasificación celular al mostrar que una unidad de filtro múltiple mejora el rendimiento del modelo original de HoVer-Net. Además, nuestros resultados experimentales muestran que el Mulvernet logra resultados sobresalientes tanto en la segmentación como en la clasificación de núcleos en comparación con varios métodos. La capacidad de segmentar y clasificar automáticamente diferentes tipos de núcleos tiene una influencia directa en el análisis patológico adicional, ofreciendo un gran potencial no solo para acelerar el proceso de diagnóstico en clínicas, sino también para mejorar nuestra comprensión de las propiedades de tejidos y células para mejorar la atención y gestión de pacientes.