Die Inzidenz von Hirnschlag hat in den letzten Jahren stark zugenommen. Um Fachleuten bei der Läsionsmessung und der Therapieplanung zu helfen, sind automatische Segmentierungsverfahren für die klinische Praxis unerlässlich. Kürzlich haben Ansätze auf Basis des Deep Learnings und Methoden zur Extraktion kontextueller Informationen in vielen Bildsegmentierungsaufgaben Anwendung gefunden. Ihre Leistungsfähigkeit ist jedoch aufgrund unzureichender Trainingsdaten für eine große Anzahl von Parametern begrenzt, was dazu führt, dass sie manchmal langreichweitige Abhängigkeiten nicht erfassen können. Um diese Probleme zu lösen, schlagen wir ein X-Net vor, das auf tiefgangigen trennbaren Faltungen basiert und eine nicht-lokale Operation namens Feature Similarity Module (FSM) entwickelt, um langreichweitige Abhängigkeiten zu erfassen. Die verwendete tiefgangige Faltung ermöglicht es, die Netzwerkgröße zu reduzieren, während das entwickelte FSM eine effektivere und dichtere Extraktion kontextueller Informationen bietet und somit eine bessere Segmentierung fördert. Die Effektivität von X-Net wurde anhand eines öffentlichen Datensatzes namens Anatomical Tracings of Lesions After Stroke (ATLAS) evaluiert, wobei überlegene Ergebnisse im Vergleich zu sechs anderen Stand-of-the-Art-Ansätzen erzielt wurden. Unser Code und unsere Modelle sind unter https://github.com/Andrewsher/X-Net verfügbar.