近年来，医学图像分割已成为计算机辅助诊断领域的一个重要应用。本文首次提出了一种基于图卷积的新解码器——级联图卷积注意力解码器（G-CASCADE），用于二维医学图像分割。G-CASCADE 利用高效的图卷积模块逐步细化由分层 Transformer 编码器生成的多阶段特征图。编码器通过自注意力机制捕捉长距离依赖关系，而解码器则利用图卷积模块的全局感受野来保留长距离信息，从而进一步优化特征图。我们对多个 Transformer 编码器在五个医学图像分割任务（即腹部器官、心脏器官、息肉病变、皮肤病变和视网膜血管）上进行了严格的评估，结果显示我们的模型优于其他最先进的（SOTA）方法。此外，我们还证明了我们的解码器在参数量减少 80.8% 和浮点运算量减少 82.3% 的情况下，仍能实现比 SOTA CASCADE 解码器更高的 DICE 分数。我们的解码器可以轻松与其他分层编码器结合使用，适用于通用语义分割和医学图像分割任务。