在深度医学图像分割领域中，TransUNet是当前先进的分割模型之一。但其编码器未考虑相邻分块之间的局部联系，在解码器上采样过程中缺乏通道间信息的交互。针对以上问题，提出一种多注意力融合网络（MFUNet）模型。首先，在编码器部分引入特征融合模块（FFM）来增强模型对Transformer中相邻分块间的局部联系并且保持图片本身的空间位置关系；其次，在解码器部分引入双通道注意力（DCA）模块来融合多级特征的通道信息，以增强模型对通道间关键信息的敏感度；最后，通过结合交叉熵损失和Dice损失来加强模型对分割结果的约束。在Synapse和ACDC公共数据集上进行实验，可以看出，MFUNet的Dice相似系数（DSC）分别达到了81.06%和90.91%；在Synapse数据集上的Hausdorff距离（HD）与基线模型TransUNet相比减小了11.5%；在ACDC数据集中右心室和心肌两部分的分割精度与基线模型TransUNet相比分别提升了1.43个百分点和3.48个百分点。实验结果表明，MFUNet在医学图像的内部填充和边缘预测方面均能实现更好的分割效果，有助于提升医生在临床实践中的诊断效率。
