La segmentación estereotáctica de tumores cerebrales basada en datos de neuroimagen 3D es una tarea desafiante debido a la complejidad de la arquitectura cerebral, la extrema heterogeneidad de las malformaciones tumorales y la variabilidad extrema de las distribuciones de señales de intensidad y ruido. Un diagnóstico temprano del tumor puede ayudar a los profesionales médicos a seleccionar planes de tratamiento médico óptimos que potencialmente pueden salvar vidas. La inteligencia artificial (IA) ha sido utilizada previamente para diagnósticos de tumores automatizados y modelos de segmentación. Sin embargo, los procesos de desarrollo, validación y reproducibilidad del modelo son desafiantes. A menudo, se requieren esfuerzos acumulativos para producir un sistema de diagnóstico asistido por computadora totalmente automatizado y confiable para la segmentación de tumores. Este estudio propone un enfoque mejorado de red neuronal profunda, el modelo 3D-Znet, basado en el método variational autoencoder-autodecoder Znet, para segmentar volúmenes de RM (resonancia magnética) 3D.