La segmentación precisa de tumores cerebrales a partir de imágenes médicas es fundamental para el diagnóstico y la planificación del tratamiento. Sin embargo, los métodos de segmentación tradicionales tienen dificultades con formas de tumor complejas y calidad de imagen inconsistente, lo que conduce a resultados subóptimos. Para abordar este desafío, proponemos la Red Generativa Antagónica Wasserstein multitarea U-Net++ (MWG-UNet++) para la segmentación de tumores cerebrales mediante la integración de una arquitectura U-Net mejorada con capas de transformadores combinadas con Redes Generativas Antagónicas Wasserstein (WGAN) para la ampliación de datos. El modelo propuesto llamado Red U-shaped de Atención Residual (RAUNet) para la segmentación de tumores cerebrales aprovecha las capacidades robustas de extracción de características de U-Net y la conciencia de contexto global proporcionada por los transformadores para mejorar la precisión de la segmentación. La incorporación de WGAN para la ampliación de datos aborda el desafío de conjuntos de datos de imágenes médicas limitados para generar imágenes sintéticas de alta calidad que mejoren el entrenamiento y la generalización del modelo. Nuestra evaluación exhaustiva demuestra que este modelo híbrido mejora significativamente el rendimiento de la segmentación. El RAUNet supera a los enfoques comparados al capturar dependencias a larga distancia y considerar variaciones espaciales. El uso de WGANs aumenta el conjunto de datos resultando en un entrenamiento robusto y una mayor resistencia al sobreajuste. La métrica de evaluación promedio para la segmentación de tumores cerebrales es de 0.8965, lo que superó a los métodos comparados.