La segmentación automática y precisa de tumores de vejiga es un paso clave para ayudar a los urólogos en el diagnóstico y análisis. En la actualidad, los métodos existentes basados en Transformadores tienen una capacidad limitada para restaurar características detalladas locales y capacidades de segmentación de límites insuficientes. Proponemos FEBE-Net, que tiene como objetivo capturar de manera efectiva características semánticas globales y remotas, preservar más información detallada local y proporcionar límites más claros y precisos. Específicamente, primero, utilizamos la columna vertebral PVT v2 para aprender representaciones de características globales multinivel para adaptarse a los cambios en el tamaño y forma del tumor de vejiga. En segundo lugar, proponemos un nuevo módulo de atención de exploración de características (FEA) para explorar completamente la información detallada local potencial en las características superficiales extraídas por la columna vertebral PVT v2, eliminar ruido y complementar los detalles finos faltantes para las etapas de decodificación posteriores. Al mismo tiempo, proponemos un nuevo módulo de mejora y refinamiento de límites (BER), que genera pistas de límites de alta calidad a través de operadores de detección de límites para ayudar al decodificador a preservar de manera más efectiva las características de límites de los tumores de vejiga y refinar y ajustar el mapa de características predicho final. Luego, proponemos un nuevo módulo de decodificador de calibración de autoatención eficiente (ESCD), que, con la ayuda de las pistas de límites proporcionadas por el módulo BER, recupera gradual y efectivamente información contextual global e información detallada local de características de alto nivel después de la mejora de calibración y características de bajo nivel después de la atención de exploración. Experimentos extensos en el conjunto de datos de cistoscopía BtAMU y cinco conjuntos de datos de colonoscopía han demostrado que FEBE-Net supera a 11 redes de vanguardia en rendimiento de segmentación, con mayor precisión, mayor estabilidad robusta y capacidad de generalización.