El cáncer de piel representa un riesgo significativo para la salud, afectando múltiples capas de la piel, incluyendo la dermis, epidermis e hipodermis. Melanoma, un tipo grave de cáncer de piel, se origina a partir de la proliferación anormal de melanocitos en la epidermis. Los métodos actuales para la segmentación de lesiones cutáneas dependen en gran medida de conjuntos de datos grandes y anotados, que son costosos, requieren mucho tiempo y demandan experiencia especializada de los dermatólogos. Para abordar estas limitaciones y mejorar la logística en las prácticas dermatológicas, presentamos una estrategia auto-supervisada para una segmentación precisa de lesiones cutáneas en imágenes de dermatólogos, eliminando la necesidad de anotaciones manuales. A diferencia del enfoque tradicional, nuestro enfoque propuesto integra un modelo híbrido CNN/Transformer, aprovechando las fortalezas complementarias de ambas arquitecturas. El módulo Transformer captura dependencias contextuales a larga distancia, permitiendo una comprensión integral del contenido de la imagen, mientras que el codificador CNN extrae información semántica local. Para recalibrar dinámicamente el espacio de representación, introducimos un módulo de atención contextual que combina eficazmente características jerárquicas e información a nivel de píxeles. Al incorporar dependencias locales y globales entre los píxeles de la imagen, realizamos un proceso de agrupación que organiza el contenido de la imagen en un espacio significativo. Además, como otra contribución, incorporamos una pérdida de consistencia espacial para promover la fusión gradual de grupos con representaciones similares, mejorando así la calidad de la segmentación. Las evaluaciones experimentales realizadas en dos conjuntos de datos públicos de segmentación de lesiones cutáneas demuestran la superioridad de nuestro método propuesto, superando tanto las estrategias no supervisadas como auto-supervisadas, y logrando un rendimiento de vanguardia en esta tarea desafiante.