تُستخدم الصور المركزة للغاية للجلد، التي تُعرف باسم الصور الماكروية، التي تُلتقط باستخدام كاميرات عادية، على نطاق واسع في مجال الجلدية. وبما أن الصور الماكروية توفر رؤى دقيقة للغاية، فإنها تحتوي فقط على مناطق الورم والخلفية. وبالتالي، يُعدّ تحديد موقع الورم في الصور الماكروية مشكلة بسيطة تتطلب تثبيت حد (thresholding). ومع ذلك، فإن الخوارزميات التي تقدم تقديرًا دقيقًا للحد، مع الحفاظ على أداء متسق على مختلف الصور الماكروية الجلدية، نادرة جدًا. في هذا البحث، تم اقتراح نموذج تعلم عميق يُسمى "شبكة تنبؤ الحد العميقة (DTP-Net)" لمعالجة هذه المشكلة. لتدريب النموذج، تُقدَّم نسخ رمادية من الصور الماكروية كمدخلات إلى النموذج، ويُعرّف القيمة الرمادية للحد التي تُحقق أعلى معامل تشابه دايس (Dice Similarity Index - DSI) بين الصورة المُقسَّمة والصورة الأصلية (ground-truth) كهدف للتدريب. أظهرت شبكة DTP-Net أقل قيمة لمعيار الجذر التربيعي للخطأ المتوسط (Root Mean Square Error) مقارنة بـ 11 خوارزمية حديثة متقدمة لتقدير الحد (مثل تثبيت أوسو، وتثبيت أوسو المُركّز على الواد، وتثبيت إيزوداتا، وتثبيت يعتمد على توزيع فرق ميل المدرج التكراري، وتثبيت الحد الأدنى للخطأ، وتثبيت الحد الأدنى المستند إلى توزيع بواسون، وتثبيت كابور للإنتروبيا العظمى، وتثبيت أوسو الموزون بالإنتروبيا، وتثبيت الحد الأدنى للإنتروبيا المتقاطعة، وتثبيت مبني على التضبابية من الدرجة الثانية، وتثبيت الإنتروبيا الضبابية). وقد تعلّمت شبكة DTP-Net التمييز بين الورم والخلفية في فضاء الشدة، وتمكّنت من توقع الحد بدقة يفصل الورم عن الخلفية. ويمكن دمج الشبكة المقترحة DTP-Net في وحدة التقسيم (segmentation module) ضمن أدوات آلية للكشف عن سرطان الجلد من الصور الماكروية الجلدية.