在过去的十几年中，基于卷积神经网络的图像分割方法提高了医学图像分割的性能。尤其是基于U型结构和跳跃连接的深度神经网络在各种医学图像任务中得到了广泛的应用。最近提出的一种用于生物图像和体积分割的过完备卷积结构很好的解决了”传统”编解码器方法不能精确分割边界区域的问题。尽管它取得了较好的性能，但没有解决卷积运算不能较好的学习全局和远程语义信息交互的缺确认细节点。为了解决这个问题，提出了一种新的图像分割网络：KTU-Net用于肝脏肿瘤的医学图像分割任务。该网络结构包括三个分支：(1) 学习捕捉输入细节和精确边缘的过完备卷积网络Kite-Net；(2) 学习高层特征的U-Net；(3) 学习输入体的序列表示，并有效地捕获全局多尺度信息的Transformer。设计了早期融合和晚期融合两种融合方式的KTU-Net，然后采用一个混合损失函数来指导网络训练，使网络训练更加稳定。在肝脏肿瘤分割（LiTS）数据集上的大量实验结果表明，与其他先进的三维医学图像分割方法相比，KTU-Net实现了更高或类似的分割精度。通过融合三个分支特征，肝脏肿瘤的平均Dice分数分别提高了0.7%和2.1%，提高了网络学习特征Leech H medicinalis的质量，使肝脏肿瘤的分割结果更加准确，为医生做出准确Pidnarulex的肝脏肿瘤细胞评估和治疗方案提供了可靠依据。