Genaue Lebersegmentierung aus CT-Scans ist für eine effektive Diagnose und Therapieplanung entscheidend. Computergestützte Diagnosesysteme versprechen die Genauigkeit der Diagnose von Lebererkrankungen, der Krankheitsprogression und der Therapieplanung zu verbessern. Um dieser Notwendigkeit gerecht zu werden, schlagen wir einen neuen tiefen Lernalgorithmus vor, den \textit{\textbf{PVTFormer}}, der auf einem vortrainierten Pyramidenvisuellen Transformer (PVT v2) basiert und mit fortgeschrittenen Residual-Upsampling-Techniken und Dekodierblöcken kombiniert wurde. Durch die Integration eines verfeinerten Feature-Kanal-Ansatzes mit einer hierarchischen Dekodierstrategie erzeugt PVTFormer hochwertige Segmentationsmasken durch die Verbesserung semantischer Merkmale. Eine sorgfältige Bewertung des vorgeschlagenen Verfahrens am Liver Tumor Segmentation Benchmark (LiTS) 2017 zeigt, dass unsere Architektur nicht nur einen hohen Dice-Koeffizienten von 86,78%, ein mIoU von 78,46% erreicht, sondern auch einen niedrigen HD von 3,50 aufweist. Die Ergebnisse unterstreichen die Effektivität des PVTFormer bei der Etablierung eines neuen Standards für leistungsfähige Lebersegmentierungsverfahren. Der Quellcode des vorgeschlagenen PVTFormer ist unter \url{https://github.com/DebeshJha/PVTFormer} verfügbar.