El cáncer de piel es común hoy en día. El diagnóstico temprano del cáncer de piel es esencial para aumentar la tasa de supervivencia de los pacientes. Además de los métodos tradicionales, se utiliza el diagnóstico asistido por computadora en el diagnóstico del cáncer de piel. Uno de los beneficios de este método es que elimina el error humano en el diagnóstico del cáncer. Las imágenes de la piel pueden contener ruido como cabello, manchas de tinta, reglas, etc., además de la lesión. Por esta razón, se requiere la eliminación de ruido. La reducción de ruido en las imágenes de lesiones se puede denominar eliminación de ruido. Esta fase es muy importante para la correcta segmentación de las lesiones. Uno de los problemas más críticos en el uso de tales métodos automatizados es la inexactitud en el diagnóstico del cáncer porque la eliminación de ruido y la segmentación no se pueden realizar de manera efectiva. Hemos creado un conjunto de datos de ruido (cabello, reglas, manchas de tinta, etc.) que incluye 2500 imágenes y máscaras. No existe tal conjunto de datos de ruido en la literatura. Utilizamos este conjunto de datos para la eliminación de ruido en imágenes de cáncer de piel. Se utilizaron dos conjuntos de datos de la Colaboración Internacional de Imágenes de Piel (ISIC) y el PH2 en este estudio. En este estudio, se presenta un nuevo enfoque llamado LinkNet-B7 para la eliminación de ruido y segmentación de imágenes de cáncer de piel. LinkNet-B7 es un enfoque basado en LinkNet que utiliza EfficientNetB7 como codificador. Utilizamos imágenes con 16 cortes. De esta manera, perdemos menos valores de píxeles. LinkNet-B7 tiene una tasa de éxito un 6% más alta que LinkNet con el mismo conjunto de datos y parámetros. La precisión del entrenamiento para la eliminación de ruido y la segmentación de lesiones se calculó en 95.72% y 97.80%, respectivamente.