La tecnología de aprendizaje profundo se ha utilizado ampliamente en la segmentación de tumores cerebrales con imágenes de resonancia magnética de multi-modalidad, ayudando a los médicos a lograr diagnósticos más rápidos y precisos. Estudios previos han demostrado que el método de segmentación de fusión ponderada extrae de manera efectiva la importancia de la modalidad, sentando una base sólida para la segmentación de imágenes de resonancia magnética de multi-modalidad. Sin embargo, el desafío de fusionar características de multi-modalidad con características de una sola modalidad sigue sin resolverse, lo que nos motivó a explorar una solución de fusión efectiva. Proponemos una red de recalibración de características de multi-modalidad y una sola modalidad para la segmentación de tumores cerebrales en imágenes de resonancia magnética. Específicamente, diseñamos un módulo de recalibración dual que logra una calibración precisa de características al integrar las características complementarias de multi-modalidad con las características específicas de una sola modalidad. Los resultados experimentales en el conjunto de datos BraTS 2018 mostraron que el método propuesto superó a los métodos de red multi-modal existentes en múltiples métricas de evaluación, con una recalibración espacial que mejoró significativamente los resultados, incluyendo aumentos en el puntaje de Dice de 1.7%, 0.5% y 1.6% para la región del núcleo del tumor mejorado, el tumor completo y las regiones del núcleo del tumor, respectivamente.