Los tumores cerebrales (BTs) se encuentran entre los cánceres más peligrosos y mortales en humanos de todas las edades, y la detección temprana de los BTs puede marcar una gran diferencia en su tratamiento. Sin embargo, el reconocimiento del grado es un problema desafiante para los radiólogos involucrados en el diagnóstico automatizado y el monitoreo de la salud. La investigación reciente ha sido motivada por la búsqueda de mecanismos basados en el aprendizaje profundo para la segmentación y clasificación que ayuden a los radiólogos en el análisis diagnóstico. La segmentación se refiere a la identificación y delimitación de las regiones tumorales en imágenes médicas, mientras que la clasificación se basa en características tumorales como el tamaño, la ubicación y el patrón de realce. El objetivo principal de esta investigación es diseñar y desarrollar un modelo inteligente que pueda detectar y clasificar tumores de manera más efectiva. Esta investigación desarrolla una arquitectura agregada llamada LGCNet, que combina una red de atención al contexto local y una red de atención al contexto global. LGCNet utiliza la información extraída a través de la tarea, dimensión y escala. Específicamente, se desarrolla una red de atención al contexto global para capturar características de múltiples escalas, y se diseña una red de atención al contexto local para tareas específicas. Posteriormente, ambas redes se agregan, y la red de aprendizaje se diseña para equilibrar todas las tareas combinando las funciones de pérdida de la clasificación y la segmentación. La principal ventaja de LGCNet es su red dedicada para una tarea específica. El modelo propuesto se evalúa considerando el conjunto de datos BraTS2019 con diferentes métricas, como el índice de Dice, la sensibilidad, la especificidad y el índice de Hausdorff. El análisis comparativo con el modelo existente muestra una mejora marginal y brinda oportunidades para futuras investigaciones en la segmentación y clasificación de BTs. El alcance de este estudio se centra en el conjunto de datos BraTS2019, con futuros trabajos que tienen como objetivo extender la aplicabilidad del modelo a diferentes entornos clínicos e de imágenes.