Hochfokussierte Bilder der Haut, die mit herkömmlichen Kameras aufgenommen werden und als Makroaufnahmen bezeichnet werden, werden in der Dermatologie weit verbreitet eingesetzt. Da es sich um scharf fokussierte Ansichten handelt, enthalten Makroaufnahmen lediglich Läsionen und Hintergrundregionen. Die Lokalisierung von Läsionen in solchen Bildern stellt daher ein einfaches Schwellenwertproblem dar. Allerdings sind Algorithmen, die eine genaue Schwellenwertabschätzung ermöglichen und gleichzeitig eine konsistente Leistung auf unterschiedlichen dermatologischen Makroaufnahmen aufweisen, selten. In diesem Beitrag wird ein tiefes Lernmodell vorgestellt, das als „Deep Threshold Prediction Network (DTP-Net)“ bezeichnet wird, um dieses Problem zu lösen. Zur Trainingsphase des Modells werden grauwertige Versionen der Makroaufnahmen als Eingabe verwendet, wobei die entsprechenden Grauwert-Schwellenwerte als Zielwerte definiert werden, bei denen der Dice-Similaritätsindex (DSI) zwischen der segmentierten und der Referenz (Ground-truth)-Bildregion maximal ist. Das DTP-Net zeigte im Vergleich zu 11 state-of-the-art-Algorithmen zur Schwellenwertabschätzung – darunter Otsu-Schwellenwertverfahren, valley-emphasized Otsu, Isodata-Schwellenwert, histogramm-basierte Schwellenwertmethode auf der Grundlage der Steigungsunterschiedsverteilung, Minimum-Error-Schwellenwert, Poisson-Verteilung-basierte Minimum-Error-Schwellenwertmethode, Kapur’s Maximum-Entropy-Schwellenwert, Entropy-gewichtetes Otsu-Verfahren, Minimum-Cross-Entropy-Schwellenwert, Typ-2-Fuzzy-basiertes Schwellenwertverfahren sowie Fuzzy-Entropie-Schwellenwert – den geringsten Wert für den Root-Mean-Square-Error (RMSE) der vorhergesagten Schwellenwerte. Das DTP-Net ist in der Lage, Unterschiede zwischen Läsionen und Hintergrund im Intensitätsraum zu lernen und den Schwellenwert präzise vorherzusagen, der Läsion und Hintergrund voneinander trennt. Das vorgeschlagene DTP-Net kann nahtlos in die Segmentierungsmodul von automatisierten Werkzeugen integriert werden, die Hautkrebs aus dermatologischen Makroaufnahmen detektieren.