Schlaganfall, eine akute Gefäßerkrankung, kann zu Hirnschäden führen. Da die Inzidenzrate weiter steigt, ist es dringend erforderlich, automatisierte Werkzeuge zur Segmentierung von Schlaganfall-Läsionen zu entwickeln, um Radiologen bei der effektiven und genauen Detektion von Schlaganfällen zu unterstützen. Obwohl tiefe Lernmodelle diesen Task erheblich vorangebracht haben, leiden sie weiterhin unter der starken Größenvariation und den unscharfen Grenzen von Läsionen, was die Segmentierungsgenauigkeit erheblich beeinträchtigt. In diesem Artikel stellen wir ein effektives und generisches Lernnetzwerk vor, das als gegenseitig gewinnorientiertes adaptives Netzwerk (Mutual Gain Adaptive Network, MGAN) bezeichnet wird, um die Fähigkeit des Netzwerks zur Bewältigung der Größenvariation und zur Unterscheidung unscharfer Grenzen zu verbessern und somit tiefe neuronale Netze in der Segmentierung von Schlaganfall-Läsionen weiterzuentwickeln. Die Hauptbeiträge sind: 1) ein gegenseitig gewinnorientierter adaptiver Ähnlichkeitsblock (Mutual Gain Adaptive Similarity, MGAS) und 2) ein globaler kontextbewusster Block (Global Context-Awareness, GCA). Der MGAS-Block zielt darauf ab, sowohl kurz- als auch langreichweitige räumliche Abhängigkeiten zu erfassen, um durch Ausnutzung der Merkmalsähnlichkeit eine bessere Codierung globaler Kontexte zu ermöglichen und die Merkmalsaktivierung für die Segmentierung von Läsionen unterschiedlicher Größe zu stärken. Der GCA-Block ist speziell darauf ausgelegt, niedrig-semantischen Merkmalen globalen Kontext bereitzustellen, um die Wiederherstellung der Pixellokalisierung zu fördern und damit die Unterscheidung unscharfer Grenzen zu erleichtern. Unser Netzwerk wurde an einem öffentlich verfügbaren Datensatz, beispielsweise dem Anatomical Tracings of Lesions After Stroke (ATLAS), evaluiert. Ausführliche experimentelle Ergebnisse zeigen, dass unsere Methode die der derzeitigen State-of-the-Art-Verfahren übertrifft.