Wir schlagen eine verallgemeinerte Focal-Loss-Funktion basierend auf dem Tversky-Index vor, um das Problem der Datenungleichverteilung in der medizinischen Bildsegmentierung anzugehen. Im Vergleich zum häufig verwendeten Dice-Loss erreicht unsere Loss-Funktion bei der Ausbildung kleiner Strukturen wie Läsionen ein besseres Verhältnis zwischen Präzision und Recall. Um unsere Loss-Funktion zu evaluieren, verbessern wir das Attention U-Net-Modell durch die Einbeziehung eines Bildpyramidenansatzes zur Erhaltung kontextueller Merkmale. Wir führen Experimente auf den BUS 2017-Datensatz und dem ISIC 2018-Datensatz durch, bei denen Läsionen 4,84 % und 21,4 % des Bildbereichs ausmachen, und erzielen eine Segmentationgenauigkeit, die sich gegenüber dem Standard-U-Net um 25,7 % und 3,6 % verbessert, jeweils.