从计算机断层扫描(Computed Tomography，CT)中准确分割各种临床病变是肿瘤学成像的关键任务。然而，现有分割框架均是针对某种特定类型疾病设计的，且精确分割视觉上不显著的小范围肿瘤仍然极具挑战。为此，本文模仿临床医生的诊断行为提出基于多尺度视觉信息和非局部目标挖掘的非显著小肿瘤分割框架。该框架首先结合尺度空间理论提取1.0X、0.5X、1.5X尺度下的差异化特征。然后，使用尺度融合模块分层融合特定尺度的特征映射，得到既全面又准确的肿瘤表征。得到的特征通过全局定位模块捕获通道和空间位置的远程语义依赖关系，从全局角度定位肿瘤，得到初始预测结果。分层聚焦模块基于前景和背景特征进行上下文探索，逐层聚焦错误区域，并利用逐元素加法、减法消除这些错误。通过逐层细化粗糙的预测结果，最终实现更为精细的非显著小肿瘤分割。在小肠间质瘤数据集(Small intestinal stromal tumors dataset，SISD)和胰腺肿瘤数据集(Pancreatic tumor dataset，PTD)的实证表明，该框架在六个标准度量下均优于现有的10个先进方法。本文框架在SISD和PID数据集上分别达到58.37%和57.64%(Dice)，比之前最优秀的结果分别提高7.38%和4.07%。本文代码将在作者github主页发布。