Дослідження представляє нову структуру на основі згорткової нейронної мережі (CNN), яка інтегрує класифікацію ділянок зображення з морфологічною обробкою для досягнення високоточних прогнозів ГІ за грубими анотаціями. Підхід складається з чотирьох модулів: диференціація патологічних тканин з використанням порогового значення Otsu та морфологічних операцій, ідентифікація ураження та епідермальної області за допомогою класифікації EfficientNetB0 та вимірювання ГІ за допомогою методу найменших квадратів, що підбирає межі. Експериментальні результати на наборі даних про меланому демонструють середню абсолютну похибку (MAE) 0,503 мм та середньоквадратичну похибку (RMSE) 0,169 мм, що значно перевершує традиційні мережі сегментації, такі як UNet та Attention-UNet. Цей метод забезпечує надійне та ефективне рішення для автоматизованої діагностики меланоми зі значним потенціалом для клінічного застосування.