データの不均衡問題を解決するために、Tversky指数に基づく一般化されたフォーカル損失関数を提案します。一般的に使用されるDice損失と比較して、当社の損失関数は、病変などの小さな構造物のトレーニングにおいて、適合率と再現率の間でより良いバランスを達成します。当社の損失関数を評価するために、画像ピラミッドを組み込むことで文脈特徴を保つようにアテンションU-Netモデルを改良しました。BUS 2017データセットとISIC 2018データセット（病変が画像面積の4.84%と21.4%を占める）で実験を行い、それぞれ標準的なU-Netと比較してセグメンテーション精度を25.7%および3.6%向上させました。