La segmentation des lésions cutanées joue un rôle crucial dans la détection précoce et le diagnostic précis des affections dermatologiques. Les modèles probabilistes de diffusion débruitante (Denoising Diffusion Probabilistic Models, DDPMs) ont récemment attiré l'attention pour leurs capacités exceptionnelles de génération d'images. S'appuyant sur ces avancées, nous proposons DermoSegDiff, un cadre novateur pour la segmentation des lésions cutanées qui intègre les informations de contour au cours du processus d'apprentissage. Notre approche introduit une nouvelle fonction de perte qui privilégie les contours lors de l'entraînement, en réduisant progressivement l'importance des autres régions. Nous présentons également un nouveau réseau de débruitage basé sur U-Net qui intègre efficacement le bruit et les informations sémantiques à l'intérieur du réseau. Les résultats expérimentaux sur plusieurs jeux de données de segmentation cutanée montrent la supériorité de DermoSegDiff par rapport aux approches existantes basées sur les CNN, les transformateurs et la diffusion, mettant en évidence son efficacité et sa généralisation dans divers scénarios. L'implémentation est publiquement accessible sur \href{https://github.com/mindflow-institue/dermosegdiff}{GitHub}.