La irradiación guiada por imagen de ratones es esencial para comprender intervenciones que implican radiación antes de estudios en humanos. Nuestro objetivo es emplear Swin UNEt TRansformers (Swin UNETR) para segmentar escaneos nativos de micro-CT y de micro-CT mejorados con contraste y comparar los resultados con 3D no-new-Net (nnU-Net). Swin UNETR reformula la segmentación de órganos de ratón como una tarea de predicción de secuencia a secuencia utilizando un codificador jerárquico de Swin Transformer para extraer características en cinco niveles de resolución, y se conecta a un decodificador basado en Red Neuronal Convolucional Totalmente Convolucional (FCNN) a través de conexiones de salto. Los modelos fueron entrenados y evaluados en conjuntos de datos abiertos, con separación de datos basada en ratones individuales. Además, se empleó una evaluación adicional en un conjunto de datos de ratones externos adquiridos en un micro-CT diferente con menor kVp y mayor ruido de imagen para evaluar la robustez y generalizabilidad del modelo. Los resultados indican que Swin UNETR supera consistentemente a nnU-Net y AIMOS en términos del coeficiente de similitud de DICE promedio (DSC) y la distancia de Hausdorff (HD95p), excepto en dos ratones para el contorneo del intestino. Este rendimiento superior es especialmente evidente en el conjunto de datos externo, confirmando la robustez del modelo ante variaciones en las condiciones de imagen, incluido el ruido y la calidad, y posicionando así a Swin UNETR como una herramienta altamente generalizable y eficiente para el contorneo automatizado en flujos de trabajo preclínicos.