يلعب تقسيم الآفات الجلدية دورًا حاسمًا في الكشف المبكر والتشخيص الدقيق للحالات الجلدية. لقد اكتسبت نماذج الانتشار الاحتمالي للتقليل من الضوضاء (Denoising Diffusion Probabilistic Models - DDPMs) مؤخرًا اهتمامًا كبيرًا بفضل قدراتها الاستثنائية على توليد الصور. بناءً على هذه التطورات، نقترح إطار عمل جديد يُسمى DermoSegDiff لتقسيم الآفات الجلدية، والذي يدمج معلومات الحدود أثناء عملية التعلم. يُقدِّم نهجنا دالة خسارة جديدة تركز على الحدود خلال التدريب، مع تقليل الأهمية تدريجيًا للمناطق الأخرى. كما نقدم شبكة إزالة الضوضاء المستندة إلى U-Net والتي تدمج بكفاءة الضوضاء والمعلومات الدلالية داخل الشبكة. أظهرت النتائج التجريبية على عدة مجموعات بيانات لتقسيم الجلد تفوق DermoSegDiff على النماذج القائمة على CNN والترانسفورمر والانتشار، مما يبرز فعاليتها وقدرتها على التعميم في سيناريوهات مختلفة. يمكن الوصول إلى التنفيذ بشكل عام عبر \href{https://github.com/mindflow-institue/dermosegdiff}{GitHub}.