Les Transformers ont démontré un succès considérable dans la segmentation d’images médicales. Toutefois, les Transformers peuvent présenter une capacité de généralisation limitée en raison du mécanisme fondamental d’attention auto-associative à échelle unique (SA). Dans cet article, nous abordons ce problème en proposant un réseau principal, appelé MERIT (Multi-scale hiERarchical vIsion Transformer), qui améliore la généralisabilité du modèle en calculant l’attention auto-associative à plusieurs échelles. Nous intégrons également un décodeur basé sur l’attention, nommé Cascaded Attention Decoding (CASCADE), afin de raffiner davantage les caractéristiques multi-étapes générées par MERIT. Enfin, nous introduisons une méthode efficace d’agrégation de pertes par mélange de caractéristiques multi-étapes, appelée MUTATION, pour une formation améliorée du modèle via une ensemblage implicite. Nos expériences sur deux benchmarks largement utilisés pour la segmentation d’images médicales (à savoir Synapse Multi-organ et ACDC) démontrent la supériorité de MERIT par rapport aux méthodes de pointe. L’architecture MERIT ainsi que l’agrégation de pertes MUTATION peuvent être facilement adaptées à diverses tâches ultérieures de segmentation d’images médicales et de segmentation sémantique.