Contexte et objectif : Au stade initial, les lésions cutanées peuvent présenter une différence d’intensité ou un contraste insuffisant par rapport à la région de fond sur les images macroscopiques dermatologiques. Le manque d’éclairage adéquat au moment de la prise de vue réduit également le contraste. Un faible contraste entre la lésion et la peau environnante nuit négativement à la segmentation. Les techniques d’amélioration du contraste entre la lésion et le fond cutané sur les images macroscopiques dermatologiques sont peu nombreuses dans la littérature. Afin de pallier ce problème, nous proposons une transformation sigmoïdale modifiée basée sur EfficientNet pour améliorer le contraste sur ces images.Méthodes : Une transformation sigmoïdale modifiée est appliquée dans l’espace colorimétrique HSV. Le point de croisement de cette transformation, qui sépare l’image macroscopique en région de lésion et région de fond, est prédit à l’aide d’un régresseur EfficientNet modifié, afin d’éliminer l’intervention manuelle et la subjectivité. Le régresseur EfficientNet modifié est construit en remplaçant la couche classificatrice de l’EfficientNet classique par une couche de régression. Le transfert d’apprentissage est utilisé pour réduire le temps d’entraînement et la taille du jeu de données nécessaire à l’entraînement de ce régresseur modifié. Pour entraîner ce modèle, un ensemble de composantes de valeur extraite de la représentation HSV des images macroscopiques du jeu d’entraînement est utilisé comme entrée. L’ensemble correspondant des points de croisement optimaux — définis comme ceux qui maximisent le coefficient de similarité de Dice (DSC) entre les images de référence (ground-truth) et les images segmentées obtenues par seuillage d’Otsu — est considéré comme la cible.Résultats : Sur les images améliorées par le cadre proposé, le DSC des résultats de segmentation obtenus par seuillage d’Otsu passe de 0,68 ± 0,34 à 0,81 ± 0,17.Conclusion : L’algorithme proposé améliore de manière cohérente le contraste entre la lésion et le fond sur un ensemble complet d’images de test, justifiant ainsi son application dans l’analyse automatisée des images macroscopiques dermatologiques.