Las redes profundas han mostrado un rendimiento sólido en la clasificación de gliomas; sin embargo, interpretar sus decisiones sigue siendo un desafío debido a la heterogeneidad de los gliomas. Para abordar estos desafíos, la solución propuesta es el Marco de Segmentación Causal (CSF). Este marco tiene como objetivo predecir con precisión gliomas de alto y bajo grado al mismo tiempo que destaca subregiones clave. Nuestro marco utiliza un método de segmentación por contracción para identificar subregiones que contienen información de decisión esencial. Además, presentamos un módulo de clasificación de gliomas que combina el aprendizaje profundo y enfoques tradicionales para una clasificación precisa. Nuestro modelo propuesto logra el mejor rendimiento entre todos los modelos, con un AUC del 96.14%, una puntuación F1 del 93.74%, una precisión del 91.04%, una sensibilidad del 91.83% y una especificidad del 88.88%. Además, nuestro modelo muestra una utilización eficiente de recursos, completando predicciones en 2.31 segundos y ocupando solo 0.12 GB de memoria durante la fase de prueba. Además, nuestro enfoque proporciona visualizaciones claras y específicas de subregiones clave, superando a otros métodos en cuanto a interpretabilidad. En conclusión, el Marco de Segmentación Causal (CSF) demuestra su efectividad al predecir con precisión los grados de glioma e identificar subregiones clave. La inclusión de la causalidad en el modelo CSF mejora la fiabilidad y precisión de la toma de decisiones preoperatorias para los gliomas. Los resultados interpretables proporcionados por el modelo CSF pueden ayudar a los médicos en su evaluación y planificación del tratamiento.