由于腹部CT图像解剖结构复杂、肿瘤形态多样、标注数据有限，难以在腹部CT图像中准确分割肝脏和肿瘤。为了应对这一挑战，我们提出了HANS-Net（双曲卷积自适应时间注意神经表征和突触可塑性网络）。这是一个全新的分割框架，它协同结合了用于分层几何表示的双曲卷积、用于多尺度纹理学习的小波分解模块、用于自适应特征增强的生物启发式突触可塑性机制，以及用于建模精细连续解剖边界的隐式神经表征分支。我们还结合了不确定性感知的蒙特卡洛dropout来量化预测置信度，并结合了轻量级时间注意机制，以在不影响效率的情况下提高切片间一致性。在 LiTS 数据集上进行的广泛评估表明，HANS-Net 的平均 Dice 得分为 93.26%，IoU 为 88.09%，平均对称表面距离 (ASSD) 为 0.72 毫米，体积重叠误差 (VOE) 为 11.91%。在 AMOS 2022 数据集上的跨数据集验证结果显示，HANS-Net 的平均 Dice 得分为 85.09%，IoU 为 76.66%，ASSD 为 19.49 毫米，VOE 为 23.34%，展现出在不同数据集上的强大泛化能力。
