Los gliomas, tumores cerebrales primarios que surgen de las células gliales, pueden identificarse de manera efectiva utilizando la Resonancia Magnética (MRI), una herramienta de diagnóstico ampliamente empleada en entornos clínicos. La segmentación precisa de gliomas, crucial para el diagnóstico y la intervención quirúrgica, puede lograrse integrando múltiples modalidades de MRI que ofrecen información complementaria. Sin embargo, el acceso limitado a múltiples modalidades en ciertos contextos clínicos a menudo resulta en un rendimiento subóptimo de los métodos de segmentación de gliomas. Este estudio introduce un novedoso marco de destilación de conocimiento generalizado diseñado para transferir conocimiento multimodal de un modelo maestro a un modelo estudiantil unimodal a través de dos estrategias de destilación distintas: destilación de grafo de segmentación y destilación de atención de región en cascada. El primero permite que el estudiante replique la salida suavizada del maestro, mientras que el segundo facilita la extracción y aprendizaje de información de características de región en varios niveles dentro del modelo maestro. Nuestra evaluación de las estrategias de destilación propuestas utilizando el conjunto de datos BraTS 2018 confirma su rendimiento superior en contextos de segmentación unimodal en comparación con los métodos existentes.