脑卒中病灶自动分割可以为临床决策过程提供有价值的支持，而由于病灶大小、形状和位置的多样性，这项任务具有一定的挑战性。以往的研究未能很好地捕获有助于处理这种多样性的全局上下文信息。针对小样本情境下的缺血性脑卒中病灶分割这一问题，提出了在传统U-Net的基础上融合了残差模块和non-local块的端到端神经网络，用于从多模态核磁共振成像（MRI）的图像中预测卒中病灶。该方法基于U-Net的编码器-解码器结构，利用残差模块的堆叠来解决网络退化问题和避免过拟合，并通过插入non-local块编码特征图中的长距离依赖来为特征提取的过程提供全局上下文信息。对所提出的方法及其变体在缺血性卒中病灶分割挑战赛（ISLES）2017数据集上进行了评估，结果显示，所提出的残差U-Net （Dice=0.29±0.23、ASSD=7.66±6.41、HD=43.71±22.11）和RN-UNet （Dice=0.29±0.23、ASSD=7.61±6.62、HD=45.36±24.75），相对于基线U-Net （Dice=0.25±0.23、ASSD=9.45±7.36、HD=54.59±21.19）在所有指标上都有明显提升；跟ISLES官网上最先进的方法对比，所提的两个方法均取得了更好的分割结果，可见这两个方法有助于医生在临床实践中快速客观地评估病情。