Die Segmentierung medizinischer Bilder stellt eine der grundlegendsten Aufgaben im Bereich der medizinischen Informationsanalyse dar. Bisher wurden zahlreiche Lösungsansätze vorgeschlagen, darunter viele auf tiefen Lernverfahren basierende Techniken wie U-Net, FC-DenseNet usw. Dennoch bleibt die Erzielung einer hochpräzisen Segmentierung medizinischer Bilder aufgrund der inhärenten Verzerrungen und Vergrößerungen in medizinischen Bildern sowie der Anwesenheit von Läsionen mit ähnlicher Dichte wie gesundes Gewebe nach wie vor eine herausfordernde Aufgabe. In diesem Artikel stellen wir TFCNs (Transformers for Fully Convolutional denseNets) vor, um dieses Problem zu bewältigen, indem wir den ResLinear-Transformer (RL-Transformer) und den Convolutional Linear Attention Block (CLAB) in FC-DenseNet integrieren. TFCNs ist nicht nur in der Lage, aus CT-Bildern mehr latente Information für die Merkmalsextraktion zu nutzen, sondern kann zudem semantische Merkmale effektiver erfassen und verbreiten sowie nicht-semantische Merkmale besser filtern, dank des CLAB-Moduls. Unsere experimentellen Ergebnisse zeigen, dass TFCNs eine state-of-the-art-Leistung erzielt, wobei die Dice-Scores auf dem Synapse-Datensatz bei 83,72 % liegen. Darüber hinaus bewerten wir die Robustheit von TFCNs hinsichtlich der Auswirkungen von Läsionsbereichen an öffentlichen COVID-19-Datensätzen. Der Python-Quellcode wird öffentlich auf https://github.com/HUANGLIZI/TFCNs bereitgestellt.