该研究提出了TexLiverNet模型，旨在解决肝肿瘤分割中文本与影像结合的挑战。模型通过代理跨注意力模块整合文本和视觉特征，增强空间和频率感知，精确描绘病灶边界。研究结果表明，TexLiverNet在多个数据集上优于现有方法，具有良好的临床应用前景。

本文提出了一种基于上下文和注意力特征融合的混合网络模型（CAFCT），用于肝肿瘤分割。该模型结合了注意力特征融合、Atrous空间金字塔池化和注意力门，显著提高了肿瘤边界的分割准确性。在LiTS数据集上，CAFCT达到了90.38%的平均交并比和86.78%的Dice分数，优于传统的CNN和Transformer方法。

本文介绍了一种新的容积注意力（VA）模块，用于3D医学图像分割和检测。该模块结合了视频处理的最新进展，使得2.5D网络能够利用沿着z方向的上下文信息，并在训练数据有限时使用预先训练的2D检测模型。实验证明，该模块在肝肿瘤分割挑战中表现优秀，并在DeepLesion数据集上超越了已发表的最佳结果。

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。实验结果表明，CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上表现优于Pure CNN或Transformer方法。