La segmentación precisa de lesiones puede proporcionar una fuerte evidencia para el diagnóstico temprano del cáncer de piel por parte de los médicos, lo que permite un tratamiento oportuno de los pacientes y reduce efectivamente las tasas de mortalidad por cáncer. En los últimos años, algunos modelos de aprendizaje profundo han utilizado módulos complejos para mejorar su rendimiento en la segmentación de imágenes de enfermedades de la piel. Sin embargo, los recursos computacionales limitados han obstaculizado su aplicación práctica en entornos clínicos. Para abordar este desafío, este documento propone un modelo ligero, llamado GSCEU-Net, que es capaz de lograr un rendimiento superior en la segmentación de lesiones cutáneas a un costo menor. GSCEU-Net se basa en la arquitectura U-Net con mejoras adicionales. En primer lugar, el módulo de convolución parcial (PConv), propuesto por el modelo FasterNet, se modifica a un módulo SConv, que permite caminos de segmentación de canales de diferentes escalas. En segundo lugar, se propone un nuevo módulo Ghost SConv (GSC) para su incorporación en la columna vertebral del modelo, donde el módulo de Convolución Separada (SConv) es asistido por un Perceptrón Multicapa (MLP) y los residuos del camino de salida del módulo Ghost. Finalmente, se incorpora el mecanismo de Atención de Canal Eficiente (ECA) en diferentes niveles en la parte de decodificación del modelo. El rendimiento de segmentación del modelo propuesto se evalúa en dos conjuntos de datos públicos (ISIC2018 y PH2) y un conjunto de datos privado. En comparación con U-Net, el modelo propuesto logra una mejora de IoU de 0.0261 puntos y una mejora de DSC de 0.0164 puntos, mientras reduce el conteo de parámetros en 190 veces y la complejidad computacional en 170 veces. En comparación con otros modelos de segmentación existentes, el modelo GSCEU-Net propuesto también demuestra superioridad, junto con un equilibrio avanzado entre el número de parámetros, la complejidad y el rendimiento de segmentación.