Une segmentation précise du foie à partir de scanners CT est essentielle pour un diagnostic efficace et une planification de traitement. Les systèmes d'aide au diagnostic par ordinateur promettent d'améliorer la précision du diagnostic des maladies du foie, de leur progression et de la planification du traitement. En réponse à ce besoin, nous proposons une nouvelle approche d'apprentissage profond, \textit{\textbf{PVTFormer}}, qui repose sur un transformateur visuel pyramidal pré-entraîné (PVT v2) combiné avec des techniques avancées de rééchantillonnage résiduel et de bloc décodeur. En intégrant une approche raffinée des canaux de caractéristiques avec une stratégie de décodage hiérarchique, PVTFormer génère des masques de segmentation de haute qualité en améliorant les caractéristiques sémantiques. Une évaluation rigoureuse de la méthode proposée sur le benchmark LiTS (Liver Tumor Segmentation Benchmark) 2017 montre que notre architecture non seulement atteint un coefficient Dice élevé de 86,78%, un mIoU (mean Intersection over Union) de 78,46%, mais aussi obtient une faible distance Hausdorff (HD) de 3,50. Ces résultats soulignent l'efficacité de PVTFormer dans l'établissement d'une nouvelle référence pour les méthodes actuelles de segmentation du foie. Le code source du PVTFormer proposé est disponible à l'adresse \url{https://github.com/DebeshJha/PVTFormer}.