Automatisierte Segmentierung und Klassifikation von Zellkernen sind entscheidend für die Analyse und Interpretation zellulärer Merkmale und Funktionen und unterstützen die computerunterstützte digitale Pathologie bei der Diagnose von Erkrankungen. Die Aufgabe bleibt jedoch aufgrund der inhärenten Variabilität in Größe, Helligkeit und Morphologie verschiedener Kerntypen weiterhin herausfordernd. In diesem Beitrag stellen wir ein selbstgeleitetes ordinales Regressions-Neuronales Netzwerk vor, das gleichzeitige Kernsegmentierung und -klassifikation ermöglicht und dabei die inhärenten Eigenschaften von Kernen ausnutzt sowie während des Trainings auf besonders unsichere Bereiche fokussiert. Das vorgeschlagene Netzwerk formuliert die Kernsegmentierung als ordinale Regressionsaufgabe durch Einführung einer Abstandsverkleinerungs-Diskretisierungsstrategie, die die Kerne so stratifiziert, dass innerhalb liegende Regionen, die eine regelmäßige Kernform bilden, von äußeren Regionen mit unregelmäßiger Form getrennt werden. Zudem wird eine selbstgeleitete Trainingsstrategie verwendet, um die Gewichte der einzelnen Kernpixel adaptiv anzupassen, basierend auf der Schwierigkeit der jeweiligen Pixel, die vom Netzwerk selbst bewertet wird. Zur Evaluierung der Leistungsfähigkeit des vorgeschlagenen Netzwerks nutzen wir umfangreiche, mehrfach gewebespezifische Datensätze mit insgesamt 276.349 vollständig annotierten Kernen. Wir zeigen, dass das vorgeschlagene Netzwerk im Vergleich zu mehreren kürzlich entwickelten Methoden für Segmentierung und/oder Klassifikation sowohl bei der Kernsegmentierung als auch bei der Klassifikation die derzeit beste Leistung erzielt.