Hintergrund und Zielsetzung: In den frühen Stadien weisen Hautläsionen auf dermatologischen Makrobildern möglicherweise nicht ausreichend Unterschied in der Intensität oder Kontrastierung gegenüber dem Hintergrundbereich auf. Zudem verringert eine unzureichende Beleuchtung bei der Bildaufnahme den Kontrast. Ein geringer Kontrast zwischen Läsion und Hintergrund beeinträchtigt negativ die Segmentierung. In der Literatur sind Verfahren zur Verbesserung des Kontrasts zwischen Läsion und Hintergrundhaut auf dermatologischen Makrobildern begrenzt. Um dieses Problem anzugehen, wird ein auf EfficientNet basierender modifizierter Sigmoid-Transformationsansatz vorgeschlagen, um den Kontrast auf dermatologischen Makrobildern zu erhöhen.Methoden: Eine modifizierte Sigmoid-Transformation wird im HSV-Farbraum angewendet. Der Übergangspunkt in der modifizierten Sigmoid-Transformation, der das Makrobild in Läsion und Hintergrund aufteilt, wird mit einem modifizierten EfficientNet-Regressor vorhergesagt, um manuelle Eingriffe und subjektive Beeinflussung zu vermeiden. Der modifizierte EfficientNet-Regressor wird durch Ersetzen der Klassifikations-Schicht in der herkömmlichen EfficientNet durch eine Regressions-Schicht konstruiert. Zur Reduzierung der Trainingszeit und des erforderlichen Datensatzumfangs wird Transfer-Learning eingesetzt. Zur Ausbildung des modifizierten EfficientNet-Regressors wird eine Menge von Wertkomponenten, die aus der HSV-Farbraum-Darstellung der Makrobilder im Trainingsdatensatz extrahiert wurden, als Eingabe verwendet. Als Ziel wird die entsprechende Menge idealer Übergangspunkte definiert, bei denen die Werte des Dice-Similarity-Koeffizienten (DSC) zwischen den Referenzbildern und den segmentierten Ausgabebildern, die mittels Otsu-Schwellenwertverfahren erhalten wurden, maximal sind.Ergebnisse: Auf Bildern, die mit dem vorgeschlagenen Framework verbessert wurden, stieg der DSC der durch Otsu-Schwellenwertverfahren ermittelten Segmentierungsergebnisse von 0,68 ± 0,34 auf 0,81 ± 0,17.Schlussfolgerungen: Der vorgeschlagene Algorithmus konnte den Kontrast zwischen Läsion und Hintergrund auf einer umfassenden Reihe von Testbildern konsistent verbessern, was seine Anwendungsmöglichkeiten für die automatisierte Analyse dermatologischer Makrobilder rechtfertigt.