皮膚病変のセグメンテーションは、皮膚科疾患の早期発見と正確な診断において重要な役割を果たします。最近、ノイズ除去拡散確率モデル（Denoising Diffusion Probabilistic Models: DDPMs）が優れた画像生成能力により注目を集めています。これらの進歩に基づいて、当研究では学習プロセス中に境界情報を組み込む新しい皮膚病変セグメンテーションフレームワークであるDermoSegDiffを提案します。本手法では、訓練時に境界を優先する新しい損失関数を導入し、他の領域の重要性を段階的に低下させます。また、ネットワーク内でのノイズと意味情報の効果的な統合を行う新たなU-Netベースのノイズ除去ネットワークも提案します。複数の皮膚セグメンテーションデータセットにおける実験結果は、DermoSegDiffが既存のCNN、トランスフォーマー、および拡散モデルに基づくアプローチよりも優れていることを示しており、その有効性と多様なシナリオでの汎化能力が確認されています。本実装は公開されており、\href{https://github.com/mindflow-institue/dermosegdiff}{GitHub} でアクセスできます。