Segmentierung ist für die medizinische Bildanalyse entscheidend, um Erkrankungen zu identifizieren und zu lokalisieren, morphologische Veränderungen zu überwachen sowie diskriminative Merkmale für eine weitere Diagnose zu extrahieren. Melanom ist eine der häufigsten Krebsarten weltweit, und ihre Früherkennung ist entscheidend, um maligne Tumore vollständig aus dem Körper zu eliminieren. Diese Forschung entwickelt einen künstlichen Intelligenz-(KI)-Framework für überwachte Segmentierung von Hautläsionen unter Verwendung des Deep-Learning-Ansatzes. Der vorgeschlagene Framework, MFSNet (Multi-Focus Segmentation Network), nutzt unterschiedlich skalierte Merkmalskarten zur Berechnung der finalen Segmentierungsmaske anhand von Roh-Eingabebildern im RGB-Format von Hautläsionen. Dazu werden die Bilder zunächst präprozessiert, um unerwünschte Artefakte und Rauschen zu entfernen. MFSNet verwendet die Res2Net-Grundstruktur, ein kürzlich vorgeschlagenes Faltungsneuronales Netzwerk (CNN), zur Gewinnung tiefer Merkmale, die in einem Parallel Partial Decoder (PPD)-Modul genutzt werden, um eine globale Karte der Segmentierungsmaske zu erzeugen. In verschiedenen Stufen des Netzwerks werden Faltungsmerkmale und Multiskalen-Karten in zwei Rand-Attention-(BA)-Modulen und zwei Reverse-Attention-(RA)-Modulen verwendet, um die endgültige Segmentierungsausgabe zu generieren. MFSNet erzielt bei der Bewertung an drei öffentlich verfügbaren Datensätzen – $PH^2$PH2, ISIC 2017 und HAM10000 – eine Leistung, die die Stand der Technik übertrifft, was die Zuverlässigkeit des Frameworks untermauert. Der zugehörige Quellcode für den vorgeschlagenen Ansatz ist unter https://github.com/Rohit-Kundu/MFSNet verfügbar.