Die Segmentierung von Hautläsionen spielt eine entscheidende Rolle bei der frühen Erkennung und genauen Diagnose dermatologischer Erkrankungen. Denoising Diffusion Probabilistische Modelle (DDPMs) haben kürzlich durch ihre außergewöhnlichen Fähigkeiten zur Bildgenerierung Aufmerksamkeit erhalten. Aufbauend auf diese Fortschritte schlagen wir DermoSegDiff vor, einen neuen Ansatz für die Segmentierung von Hautläsionen, der Randinformationen während des Lernprozesses einbezieht. Unser Verfahren führt eine neuartige Verlustfunktion ein, die während des Trainings die Ränder priorisiert und allmählich die Bedeutung anderer Regionen reduziert. Zudem stellen wir ein neues U-Net-basiertes Entzerrungsnetzwerk vor, das geräusch- und semantische Informationen innerhalb des Netzwerks effizient integriert. Experimentelle Ergebnisse auf mehreren Hautsegmentierungsdatensätzen zeigen die Überlegenheit von DermoSegDiff gegenüber bestehenden CNN-, Transformer- und Diffusionsbasierten Ansätzen, was seine Effektivität und Generalisierungsfähigkeit in verschiedenen Szenarien unterstreicht. Die Implementierung ist öffentlich zugänglich auf \href{https://github.com/mindflow-institue/dermosegdiff}{GitHub}.