El glioblastoma, un tumor cerebral altamente agresivo, es difícil de diagnosticar y tratar debido a su apariencia variable e invasividad. Los métodos de segmentación tradicionales suelen estar limitados por la variabilidad entre observadores y la falta de conjuntos de datos anotados. Abordando estos desafíos, este estudio presenta Arouse-Net, una red neuronal convolucional en 3D que mejora la extracción de características a través de convoluciones dilatadas, mejorando la delimitación del margen del tumor. Nuestro enfoque incluye un mecanismo de atención para centrarse en características de borde, esenciales para una segmentación precisa del glioblastoma. El rendimiento del modelo se compara con el conjunto de datos de prueba BRATS de última generación, demostrando resultados superiores con una velocidad de procesamiento más de ocho veces más rápida. La integración de datos de resonancia magnética multimodal y el novedoso protocolo de evaluación desarrollado para este estudio ofrecen un marco sólido para la segmentación de imágenes médicas, particularmente útil para escenarios clínicos donde los conjuntos de datos anotados son limitados. Los hallazgos de esta investigación no solo avanzan en el campo del análisis de imágenes médicas, sino que también proporcionan una base para trabajos futuros en el desarrollo de herramientas de segmentación automatizadas para tumores cerebrales.