皮膚病変のセグメンテーションは、メラノーマのコンピュータ支援診断において重要な役割を果たしています。ディープラーニングモデルは、皮膚病変の正確なセグメンテーションに有望であることが示されていますが、その本質的なブラックボックス性により、実際の臨床現場での広範な導入が妨げられています。医療のような重要な分野では、解釈可能性は単なる機能ではなく、モデルの採用における基本的な要件です。本論文では、SegNetベースモデルを基盤とする高度なセグメンテーションフレームワークであるIARS SegNetを提案します。当方針では、スキップ接続（skip connections）、残差畳み込み（residual convolutions）、および全注目機構（global attention mechanism）という3つの重要な要素を基準となるSegNetアーキテクチャに組み込んでいます。これらの要素は、特に皮膚病変の輪郭などの臨床的に関連する領域の重要性を強調する上で中心的な役割を果たします。スキップ接続の導入により、モデルが複雑な輪郭詳細を学習する能力が向上し、残差畳み込みの使用により深いモデルを構築しつつも重要な画像特徴を保つことができます。さらに、全注目機構は各畳み込みブロックと逆畳み込みブロックから洗練された特徴マップを抽出することで、モデルの解釈可能性を高めます。この強化は重要な領域を明確にし、より良い理解につながり、メラノーマ診断におけるより正確な皮膚病変セグメンテーションへと導きます。