La segmentación precisa de los órganos en riesgo (OARs) es un paso crucial en la planificación precisa de la radioterapia para tumores de cabeza y cuello. Sin embargo, los métodos de segmentación manual utilizando imágenes de TC, que todavía se aplican predominantemente en entornos clínicos, son ineficientes y costosos. Además, los métodos de segmentación existentes tienen dificultades con los órganos pequeños y para manejar las complejas interdependencias entre los órganos. Para abordar estos problemas, este estudio propuso un método de segmentación OAR-UNet basado en una arquitectura en forma de U con dos diseños clave. Para abordar el desafío de segmentar órganos pequeños, se desarrolló un Módulo de Percepción de Características Locales (LFPM) para mejorar la sensibilidad del método a las estructuras sutiles. Además, se introdujo un Bloque Transformador en Forma de Cruz (CSTB) con un mecanismo de atención en forma de cruz para mejorar la capacidad del modelo de capturar y procesar información de dependencia a larga distancia. Para acelerar la convergencia del Transformador, diseñamos un Módulo de Codificación Local (LEM) basado en convoluciones separables en profundidad. En nuestra evaluación experimental, utilizamos dos conjuntos de datos disponibles públicamente, SegRap2023 y PDDCA, logrando coeficientes de Dice del 78,22% y 89,42%, respectivamente. Estos resultados demuestran que nuestro método supera tanto a los métodos clásicos anteriores como a los métodos de última generación (SOTA).