تقييم موقع ونطاق التلف الناجم عن السكتة الدماغية المزمنة أمر حاسم للتشخيص الطبي والتخطيط الجراحي والتوقعات. في السنوات الأخيرة، ومع التطور السريع لشبكات العصب الاصطناعي ثنائية الأبعاد وثلاثية الأبعاد (CNN)، أظهرت بنية المُشفِّر-المُفكِّك (Encoder-Decoder) إمكانات كبيرة في مجال تقسيم الصور الطبية. ومع ذلك، فإن شبكة CNN ثنائية الأبعاد تتجاهل المعلومات ثلاثية الأبعاد للصور الطبية، بينما تعاني شبكة CNN ثلاثية الأبعاد من احتياجات عالية للموارد الحسابية. يقترح هذا البحث معمارية جديدة تسمى D-UNet، والتي تجمع بين الدوالث ثنائية الأبعاد وثلاثية الأبعاد بشكل مبتكر في مرحلة الترميز. تحقق هذه المعمارية أداءً أفضل في التقسيم مقارنة بشبكات ثنائية الأبعاد، مع الحاجة إلى وقت حسابي أقل بكثير مقارنة بشبكات ثلاثية الأبعاد. بالإضافة إلى ذلك، لحل مشكلة عدم التوازن في البيانات بين العينات الإيجابية والسالبة أثناء تدريب الشبكة، نقترح دالة خسارة جديدة تسمى Enhance Mixing Loss (EML). تقوم هذه الدالة بإضافة معامل تركيز وزني وتجمع بين دالتين تقليديتين للخسارة. تم اختبار الطريقة المقترحة على مجموعة بيانات ATLAS ومقارنتها بثلاث طرق رائدة أخرى. أظهرت النتائج أن الطريقة المقترحة حققت أفضل أداء جودة من حيث معامل Dice (DSC) = 0.5349±0.2763 والدقة = 0.6331±0.295).