背景および目的：初期段階において、皮膚病変のマクロ画像では、病変領域と背景領域との間で十分な明るさの差やコントラストが得られない場合がある。画像撮影時の適切な照明が確保されていない場合も、コントラストの低下を引き起こす。病変領域と背景領域の間の低コントラストは、セグメンテーション性能に悪影響を及ぼす。皮膚マクロ画像における病変領域と背景皮膚間のコントラストを向上させるための強調技術は、既存の文献において限定的である。本研究では、この問題に対処するため、EfficientNetを活用した改良型シグモイド変換を提案する。方法：改良型シグモイド変換をHSV色空間に適用する。病変領域と背景領域を分離するためのクロスオーバーポイント（閾値点）を、従来のEfficientNetの分類層を回帰層に置き換えた改良型EfficientNet回帰器を用いて予測することで、手動による介入や主観的判断を排除する。改良型EfficientNet回帰器の学習には、トレーニングデータセットのマクロ画像をHSV色空間で表現した際の値成分（V成分）を入力として用いる。対応する理想的なクロスオーバーポイントは、Otsu法によるしきい値処理で得られたセグメンテーション出力画像と正解画像との間のDice類似係数（DSC）が最大となる点として定義される。また、学習時間の短縮およびデータセットサイズの削減を目的として、転移学習を採用する。結果：本フレームワークで強調処理された画像に対してOtsu法によるセグメンテーションを実施した結果、DSCは0.68 ± 0.34から0.81 ± 0.17へと有意に向上した。結論：提案手法は、包括的なテスト画像群において、病変領域と背景領域間のコントラストを一貫して向上させることができた。これにより、皮膚マクロ画像の自動解析における実用性が裏付けられた。