La morbidité liée aux accidents vasculaires cérébraux (AVC) a augmenté rapidement ces dernières années. Pour aider les spécialistes dans la mesure des lésions et la planification des traitements, des méthodes de segmentation automatique sont devenues essentielles pour les pratiques cliniques. Récemment, des approches basées sur l'apprentissage profond et des méthodes d'extraction d'informations contextuelles ont été utilisées dans de nombreuses tâches de segmentation d'images. Cependant, leurs performances sont limitées en raison d'un entraînement insuffisant d'un grand nombre de paramètres, ce qui peut parfois entraîner une incapacité à capturer les dépendances à long terme. Pour résoudre ces problèmes, nous proposons un réseau X-Net basé sur la convolution séparable en profondeur qui intègre une opération non locale appelée module de similarité de caractéristiques (Feature Similarity Module, FSM) pour capturer les dépendances à long terme. La convolution séparable en profondeur adoptée permet de réduire la taille du réseau, tandis que le FSM développé fournit une extraction plus efficace et dense d'informations contextuelles, facilitant ainsi une meilleure segmentation. L'efficacité du X-Net a été évaluée sur un ensemble de données ouvert Anatomical Tracings of Lesions After Stroke (ATLAS), avec des performances supérieures obtenues par rapport à six autres approches de pointe. Nous mettons notre code et nos modèles à disposition sur https://github.com/Andrewsher/X-Net.