La ecografía pulmonar (LUS) es una técnica de imagen no invasiva en la cabecera para diagnosticar condiciones pulmonares, especialmente en entornos de cuidados críticos. Las líneas A y B son características importantes en las imágenes de LUS que ayudan a evaluar la salud pulmonar e identificar cambios en el tejido pulmonar. Sin embargo, detectar y segmentar con precisión estas líneas sigue siendo un desafío, debido a sus límites borrosos sutiles. Para abordar esto, proponemos TransBound-UNet, un modelo de segmentación novedoso que integra un codificador basado en transformadores con una pérdida de Dice consciente de los límites para mejorar la segmentación de imágenes médicas. Esta función de pérdida incorpora penalizaciones específicas de los límites en una formulación híbrida de Dice-BCE, lo que permite una segmentación más precisa de estructuras críticas. El marco propuesto se probó en un conjunto de datos de 4599 imágenes de LUS. El modelo logró un Puntaje de Dice de 0.80, superando a las redes de segmentación de vanguardia. Además, demostró un rendimiento superior en Especificidad (0.97) y Precisión (0.85), con una Distancia de Hausdorff significativamente reducida de 15.13, lo que indica una mejor delimitación de límites y calidad general de la segmentación. Se aplicaron técnicas de posprocesamiento para detectar y contar automáticamente las líneas A y B, demostrando el potencial de las salidas segmentadas en flujos de trabajo diagnósticos. Este marco proporciona una solución eficiente para la interpretación automatizada de LUS, con una precisión de límites mejorada.