评估慢性中风引起的病灶位置和范围对于医学诊断、手术规划和预后至关重要。近年来，随着二维（2D）和三维（3D）卷积神经网络（CNN）的快速发展，编码器-解码器结构在医学图像分割领域展现出巨大潜力。然而，2D CNN忽略了医学图像的三维信息，而3D CNN则面临高计算资源需求的问题。本文提出了一种新的架构，称为维度融合UNet（D-UNet），该架构在编码阶段创新性地结合了2D和3D卷积。所提出的架构在分割性能上优于2D网络，同时相比3D网络显著减少了计算时间。此外，为了解决网络训练过程中正负样本之间的数据不平衡问题，我们提出了一种新的损失函数，称为增强混合损失函数（Enhance Mixing Loss, EML）。该函数引入了一个加权焦点系数，并结合了两种传统的损失函数。所提出的方法已在ATLAS数据集上进行了测试，并与三种最先进的方法进行了比较。结果表明，所提出的方法在Dice相似系数（DSC = 0.5349 ± 0.2763）和精度（precision = 0.6331 ± 0.295）方面均取得了最佳的质量性能。