Los tumores cerebrales son uno de los cánceres más mortales en el mundo. Los investigadores han realizado una gran cantidad de trabajos de investigación sobre la segmentación de tumores cerebrales con un buen rendimiento debido al rápido desarrollo del aprendizaje profundo para ayudar a los médicos en el diagnóstico y tratamiento. Sin embargo, la mayoría de estos métodos no pueden combinar completamente múltiple información de características y sus rendimientos necesitan ser mejorados. Este estudio desarrolló una red novedosa que fusiona características locales que representan información detallada, características globales que representan información global y características a múltiples escalas que mejoran la robustez del modelo para extraer completamente las características de los tumores cerebrales y propuso un módulo de atención axial-deformable novedoso para modelar información global y mejorar el rendimiento de la segmentación de tumores cerebrales para ayudar a los clínicos en la segmentación automática de tumores cerebrales. Además, se utilizaron incrustaciones posicionales para acelerar el entrenamiento de la red y mejorar el rendimiento del método. Se utilizaron seis métricas para evaluar el método propuesto en el conjunto de datos BraTS2018. Se obtuvo un rendimiento sobresaliente con una puntuación de Dice, una media de Intersección sobre Unión, precisión, sensibilidad, parámetros y tiempo de inferencia de 0,8735, 0,7756, 0,9477, 0,8769, 69,02 M y 15,66 milisegundos, respectivamente, para el tumor completo. Experimentos extensos demostraron que la red propuesta obtuvo un rendimiento excelente y fue útil para proporcionar consejos complementarios a los clínicos.