السكتة الدماغية، وهي مرض وعائي حاد، يمكن أن تؤدي إلى تلف في الدماغ. ومع استمرار ارتفاع معدل حدوثها، أصبح من الضروري والهام تطوير أدوات آلية لتقسيم آفات السكتة الدماغية، وذلك لمساعدة الأطباء الأشعة على اكتشاف السكتة الدماغية بشكل فعّال ودقيق. وعلى الرغم من التقدم الذي أحرزه نماذج التعلم العميق في هذا المجال، إلا أنها ما زالت تعاني من التباين الكبير في الحجم والحدود الغامضة لآفات السكتة الدماغية، مما يُضعف أداء التقسيم بشكل كبير. في هذا البحث، نُقدّم شبكة تعلم فعّالة وعامة تُسمّى "الشبكة التكيفية المتبادلة المُحسّنة" (Mutual Gain Adaptive Network)، بهدف تعزيز قدرة الشبكة على التعامل مع التباين في الحجم والتفرقة بين الحدود الغامضة، لتحسين الأداء العام للشبكات العصبية العميقة في تقسيم آفات السكتة الدماغية. تكمن المساهمة الرئيسية في اثنين من المكونات: (1) كتلة التشابه التكيفية المتبادلة (MGAS)، و(2) كتلة الوعي بالسياق العالمي (GCA). تهدف كتلة MGAS إلى التقاط الاعتماديات المكانية القصيرة والطويلة المدى، من خلال استغلال التشابه بين السمات، لتحسين ترميز السياق العالمي وتعزيز تنشيط السمات لتقسيم الآفات ذات الأحجام المختلفة. أما كتلة GCA، فقد صُمّمت لتوفير سياق عالمي للسمات ذات الدلالة المنخفضة، مما يسهم في استعادة دقة تحديد مواقع البكسلات، وبالتالي تمييز الحدود الغامضة بشكل أفضل. وقد تم تقييم الشبكة على مجموعة بيانات متاحة للعامة، مثل مجموعة Anatomical Tracings of Lesions After Stroke (ATLAS). وتبين النتائج التجريبية الواسعة أن الشبكة تتفوّق على أحدث الأساليب المُتاحة.