Las imágenes médicas contienen información compleja, y el análisis automatizado de imágenes médicas puede ayudar enormemente a los médicos en la toma de decisiones clínicas. Por lo tanto, la segmentación automática de imágenes médicas se ha convertido en un tema de investigación candente en los últimos años. En este estudio, se propone una arquitectura novedosa llamada red transformadora convolucional contorneada (CCTrans) para resolver el problema de segmentación. Se diseñan un bloque transformador convolucional dual y un módulo de detección contorneada, que integran contextos locales y globales para establecer conexiones relacionales confiables. Se utilizan características multiescala de manera efectiva para mejorar la comprensión de características semánticas. El coeficiente de similitud de Dice (DSC) se emplea para evaluar el rendimiento experimental. Se eligen dos conjuntos de datos públicos con dos modalidades diferentes como conjuntos de datos experimentales. Nuestro método propuesto logró un DSC promedio del 83.97% en un conjunto de datos de sinapsis (TC abdominal multiorgánico) y del 92.15% en un conjunto de datos de ACDC (IRM cardíaca). Especialmente para la segmentación de órganos pequeños y complejos, nuestro modelo propuesto logra mejores resultados de segmentación que otros enfoques avanzados. Nuestros experimentos demuestran la efectividad y robustez del método novedoso y su potencial para aplicaciones del mundo real. La red CCTrans propuesta ofrece una solución universal para lograr una segmentación precisa de imágenes médicas.