我们提出了一种基于Tversky指数的广义焦损函数，以解决医学图像分割中的数据不平衡问题。与常用的Dice损失相比，我们的损失函数在训练小结构（如病灶）时，在精确度和召回率之间取得了更好的平衡。为了评估我们的损失函数，我们通过引入图像金字塔来改进注意力U-Net模型，从而保留上下文特征。我们在BUS 2017数据集和ISIC 2018数据集上进行了实验，其中病灶分别占图像面积的4.84%和21.4%，结果表明，与标准U-Net相比，我们的方法分别提高了25.7%和3.6%的分割准确性。