La arquitectura Transformer ha ganado amplia aceptación en la segmentación de imágenes. Sin embargo, sacrifica detalles de características locales y requiere datos extensos para el entrenamiento, lo que plantea desafíos para su integración en la segmentación de imágenes médicas asistida por computadora. Para abordar los desafíos anteriores, presentamos CCFNet, una red de fusión cruzada colaborativa, que fusiona continuamente de forma interactiva una CNN y un Transformer para explotar las dependencias de contexto. En particular, al integrar características de CNN en Transformer, las correlaciones entre tokens locales y globales se fusionan de forma adaptativa a través de una fusión colaborativa de autoatención para minimizar la disparidad semántica entre estos dos tipos de características. Al integrar características de Transformer en la CNN, se utiliza el inyector de características espaciales para reducir la brecha de información espacial entre características debido a la asimetría de las características extraídas. Además, CCFNet implementa la operación paralela de Transformer y la CNN y codifica de forma independiente representaciones globales y locales jerárquicas al agregar de manera efectiva diferentes características, lo que puede preservar representaciones globales y características locales. Los hallazgos experimentales de dos conjuntos de datos públicos de segmentación de imágenes médicas revelan que nuestro enfoque muestra un rendimiento competitivo en comparación con los métodos actuales más avanzados.