La pneumonie, une infection respiratoire courante, reste l'une des principales causes de morbidité et de mortalité dans le monde, en particulier parmi les populations vulnérables. Les radiographies thoraciques servent d'outil principal pour la détection de la pneumonie ; cependant, les variations des conditions d'imagerie et les indicateurs visuels subtils compliquent l'interprétation cohérente. Les outils automatisés peuvent améliorer les méthodes traditionnelles en augmentant la fiabilité du diagnostic et en soutenant la prise de décision clinique. Dans cette étude, nous proposons une nouvelle approche à base de transformateur multi-échelle pour la détection de la pneumonie qui intègre la segmentation pulmonaire et la classification dans un cadre unifié. Notre méthode introduit un TransUNet amélioré par un transformateur léger pour une segmentation pulmonaire précise, atteignant un score Dice de 95,68 % sur le jeu de données « Chest X-ray Masks and Labels » avec moins de paramètres que les transformateurs traditionnels. Pour la classification, nous utilisons des modèles ResNet pré-entraînés (ResNet-50 et ResNet-101) pour extraire des cartes de caractéristiques multi-échelle, qui sont ensuite traitées par un module de transformateur modifié afin d'améliorer la détection de la pneumonie. Cette intégration de l'extraction multi-échelle des caractéristiques et des modules de transformateur légers garantit une performance robuste, rendant notre méthode adaptée aux environnements cliniques à ressources limitées. Notre approche atteint une précision de 93,75 % sur le jeu de données « Kermany » et une précision de 96,04 % sur le jeu de données « Cohen », surpassant les méthodes existantes tout en maintenant l'efficacité computationnelle. Ce travail démontre le potentiel des architectures à base de transformateur multi-échelle pour améliorer le diagnostic de la pneumonie, offrant une solution évolutive et précise aux défis mondiaux du secteur sanitaire. [Lien : https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia]