La segmentación precisa de las regiones de lesiones es esencial para el diagnóstico del cáncer de piel. Dado que las imágenes dermatoscópicas de las lesiones cutáneas presentan diferentes tamaños, diversas formas, bordes difusos, etc., la segmentación precisa aún enfrenta grandes desafíos. Para abordar estos problemas, proponemos una nueva red de segmentación de imágenes dermatológicas, FFM-Net. En FFM-Net, diseñamos un nuevo bloque de codificación FM basado en modelos de espacio de estados (SSMs), que integra un módulo de extracción de información de baja frecuencia (LEM) y un módulo de extracción de detalles de borde (EEM) para extraer, respectivamente, información estructural general más amplia y detalles de borde más precisos. Al mismo tiempo, ajustamos dinámicamente las proporciones de los canales de entrada de las dos ramas del módulo en diferentes etapas de nuestra red, de modo que el modelo pueda aprender la relación de correlación entre la estructura general y las características de detalle de borde de manera más efectiva. Además, diseñamos el módulo de atención espacial de canal cruzado (CCSA) para mejorar la sensibilidad del modelo a las dimensiones de canal y espacio. Implementamos un módulo de fusión de características de múltiples niveles (MFFM) en la capa de cuellos de botella para agregar ricas representaciones contextuales multiescala. Finalmente, realizamos extensos experimentos en tres conjuntos de datos de segmentación de lesiones cutáneas disponibles públicamente, ISIC2017, ISIC2018 y PH2, y los resultados experimentales muestran que el modelo FFM-Net supera la mayoría de los métodos existentes de segmentación de lesiones cutáneas.