Las redes neuronales profundas han logrado avances significativos en las tareas de segmentación de imágenes médicas, pero sus parámetros a gran escala y su alta complejidad computacional limitan su aplicabilidad en dispositivos de borde con recursos limitados. Para abordar este desafío, este artículo presenta una red de segmentación nuclear ligera llamada U-Net Mejorada por Atención (AttE-Unet) para la segmentación celular. AttE-Unet mejora las capacidades de extracción de características de la red a través de un mecanismo de atención y combina las fortalezas del aprendizaje profundo con algoritmos tradicionales de filtrado de imágenes, al tiempo que reduce sustancialmente las demandas computacionales y de almacenamiento. Los resultados experimentales en el conjunto de datos PanNuke demuestran que AttE-Unet, a pesar de su significativa reducción en el tamaño del modelo-con el número de parámetros y operaciones de punto flotante por segundo reducidos al 1.57% y 0.1% del modelo original, respectivamente-mantiene un alto nivel de rendimiento en la segmentación. Específicamente, la puntuación F1 y la puntuación de Intersección sobre Unión (IoU) son del 91.7% y 89.3% de las puntuaciones del modelo original. Además, el despliegue en un MCU consume solo 2.09 MB de Flash y 1.38 MB de RAM, destacando la naturaleza ligera del modelo y su potencial para un despliegue práctico como solución de segmentación de imágenes médicas en dispositivos de borde.