本文介绍了一种名为HiFormer的新方法，使用Swin Transformer模块和基于CNN的编码器设计了两种多尺度特征表示，以有效进行医学图像分割。通过Double-Level Fusion（DLF）模块，在编码器解码器结构的跳跃连接中实现了全局和局部特征的细粒度融合。实验结果表明，HiFormer在计算复杂度、定量和定性结果方面优于其他基于CNN、Transformer和混合方法。

本文介绍了一种名为HiFormer的新方法，使用Swin Transformer模块和基于CNN的编码器设计了两种多尺度特征表示，以有效进行医学图像分割。通过Double-Level Fusion（DLF）模块在编码器解码器结构的跳跃连接中实现全局和局部特征的细粒度融合。实验结果表明，HiFormer在计算复杂度、定量和定性结果方面优于其他基于CNN、Transformer和混合方法。