تُعد تقسيم الصور الطبية واحدة من المهام الأساسية في تحليل المعلومات الطبية. وقد تم حتى الآن اقتراح العديد من الحلول، بما في ذلك تقنيات تعتمد على التعلم العميق، مثل U-Net وFC-DenseNet. ومع ذلك، يظل تحقيق تقسيم دقيق للغاية للصور الطبية مهمةً صعبة للغاية، وذلك بسبب وجود تشوهات تكبير وتشويه ذاتي في الصور الطبية، فضلاً عن وجود آفات تتشابه في الكثافة مع الأنسجة الطبيعية. في هذا البحث، نقترح نموذج TFCNs (Transformers for Fully Convolutional denseNets) لمعالجة هذه المشكلة من خلال دمج وحدة ResLinear-Transformer (RL-Transformer) ووحدة الانتباه الخطي التوافقي (Convolutional Linear Attention Block - CLAB) في بنية FC-DenseNet. ويتميز TFCNs بأنه لا يقتصر على استغلال معلومات خفية أكثر من صور التصوير المقطعي (CT) لاستخلاص الميزات، بل يمكنه أيضًا التقاط الميزات الدلالية ونشرها بكفاءة أعلى، مع تصفية الميزات غير الدلالية بشكل أكثر فعالية من خلال وحدة CLAB. وأظهرت نتائج التجارب أن نموذج TFCNs يحقق أداءً من الدرجة الأولى، بتحقيق مؤشر دايكس (Dice Score) البالغ 83.72% على مجموعة بيانات Synapse. علاوةً على ذلك، قمنا بتقييم مقاومة نموذج TFCNs تجاه تأثيرات مناطق الآفات على مجموعات بيانات كوفيد-19 العامة. وسيتم إتاحة كود بايثون الخاص بالنموذج بشكل عام على الرابط: https://github.com/HUANGLIZI/TFCNs.