Nous proposons une fonction de perte généralisée basée sur l'indice de Tversky pour aborder le problème d'imbalance des données dans la segmentation d'images médicales. Comparée à la fonction de perte Dice couramment utilisée, notre fonction de perte atteint un meilleur compromis entre précision et rappel lors de l'entraînement sur de petites structures telles que les lésions. Pour évaluer notre fonction de perte, nous améliorons le modèle Attention U-Net en intégrant une pyramide d'images afin de préserver les caractéristiques contextuelles. Nous menons des expériences sur les jeux de données BUS 2017 et ISIC 2018, où les lésions occupent respectivement 4,84 % et 21,4 % de la surface des images, et nous obtenons une amélioration de l'exactitude de la segmentation par rapport au U-Net standard de 25,7 % et 3,6 %.