Die Segmentierung von Hautläsionen spielt eine entscheidende Rolle bei der computergestützten Diagnose von Melanomen. Tiefen Lernmodelle (Deep Learning) haben gezeigt, dass sie Hautläsionen mit hoher Genauigkeit segmentieren können, aber ihre weit verbreitete Anwendung in realen klinischen Szenarien wird durch ihr inhärentes Black-Box-Verhalten behindert. In Bereichen wie der Gesundheitsversorgung ist Interpretierbarkeit nicht nur ein Merkmal, sondern eine grundlegende Voraussetzung für die Aufnahme von Modellen. In dieser Arbeit wird IARS SegNet vorgeschlagen, ein fortschrittliches Segmentierungsframework, das auf dem Basismodell SegNet aufbaut. Unser Ansatz integriert drei wesentliche Komponenten: Skip-Verbindungen, residuale Faltungen und einen globalen Aufmerksamkeitsmechanismus in die Baseline-Architektur des SegNet. Diese Elemente spielen eine zentrale Rolle bei der Hervorhebung der Bedeutung klinisch relevanter Regionen, insbesondere der Konturen von Hautläsionen. Die Einbeziehung von Skip-Verbindungen verbessert die Fähigkeit des Modells, komplexe Konturdetails zu lernen, während die Verwendung residueller Faltungen es ermöglicht, ein tieferes Modell zu erstellen und dabei wichtige Bildmerkmale zu bewahren. Der globale Aufmerksamkeitsmechanismus trägt zusätzlich dazu bei, verfeinerte Featuremaps aus jedem Faltungsbereich und Deconvolutionsblock zu extrahieren, was die Interpretierbarkeit des Modells erhöht. Diese Verbesserung hebt kritische Regionen hervor, fördert ein besseres Verständnis und führt zu genauerer Segmentierung von Hautläsionen zur Diagnose von Melanomen.