La segmentation d’images médicales constitue l’une des tâches fondamentales dans l’analyse des informations médicales. Plusieurs solutions ont déjà été proposées, notamment de nombreuses méthodes basées sur l’apprentissage profond, telles que U-Net, FC-DenseNet, etc. Toutefois, la segmentation d’images médicales à haute précision reste un défi majeur en raison des distorsions et des effets de grossissement inhérents aux images médicales, ainsi que de la présence de lésions présentant une densité similaire aux tissus sains. Dans cet article, nous proposons TFCNs (Transformers for Fully Convolutional denseNets), une approche visant à résoudre ce problème en intégrant le modèle ResLinear-Transformer (RL-Transformer) et le bloc d’attention linéaire convolutif (CLAB) dans FC-DenseNet. TFCNs permet non seulement d’extraire davantage d’informations latentes des images TDM pour la construction de caractéristiques, mais aussi de capturer et de diffuser efficacement les caractéristiques sémantiques tout en filtrant les caractéristiques non sémantiques grâce au module CLAB. Nos résultats expérimentaux montrent que TFCNs atteint des performances de pointe, avec un score Dice de 83,72 % sur le jeu de données Synapse. En outre, nous évaluons la robustesse de TFCNs face aux effets liés à la taille des zones lésionnelles sur des jeux de données publics liés au COVID-19. Le code source Python sera rendu disponible publiquement sur https://github.com/HUANGLIZI/TFCNs.