假设你正在参与一项关于早期肺癌CT影像分割的研究。传统的U-Net模型在捕捉微小病灶和长距离上下文信息方面存在局限。请详细阐述如何设计一个基于Vision Transformer (ViT) 的分割网络来改进这一点。内容需涵盖：1. 如何将ViT的注意力机制与分割任务结合（例如Swin Transformer的层级设计）；2. 如何处理医学图像数据量小的问题（数据增强策略、自监督学习预训练）；3. 针对类别极度不平衡（背景像素远多于病灶像素）的损失函数设计；4. 评估指标的选择及其在临床应用中的意义。请提供具体的模型结构改进方案。