La segmentación precisa del área de la lesión en las imágenes de resonancia magnética es esencial para diagnosticar el cáncer de vejiga. Sin embargo, la segmentación precisa de los tumores de vejiga sigue siendo un desafío importante debido a sus distribuciones de intensidad similares, diversas morfologías tumorales y límites borrosos. Aunque algunos estudios importantes, como aquellos que utilizan CNN combinados con métodos de segmentación de transformadores, han logrado avances significativos, (1) cómo reducir la complejidad computacional del mecanismo de autoatención en el transformador manteniendo el rendimiento y (2) cómo construir un mejor proceso de fusión de características globales para mejorar el rendimiento de la segmentación aún requieren una mayor exploración. Teniendo en cuenta la complejidad de las imágenes de resonancia magnética de vejiga, desarrollamos una red consciente del contexto ligera (LCANet) para segmentar automáticamente las lesiones de vejiga en las imágenes de resonancia magnética. Específicamente, el codificador de detalles locales genera detalles a nivel local de la lesión, el codificador de transformador ligero modela las características a nivel global con diferentes resoluciones, el módulo de análisis de escena en pirámide extrae características semánticas a nivel alto y multiescala, y el decodificador proporciona resultados de segmentación de alta resolución fusionando detalles a nivel local con pistas a nivel global en el nivel de canal. Una serie de estudios empíricos en imágenes de resonancia magnética ponderadas en T2 de 86 pacientes muestran que LCANet logra un índice de Jaccard general del 89.39%, un coeficiente de similitud de Dice del 94.08% y una precisión de píxeles de clase del 94.10%. Estas ventajas muestran que nuestro método es una herramienta eficiente que puede ayudar a reducir la carga de trabajo pesada de los radiólogos.