Los tumores cerebrales son uno de los tipos de cáncer más mortales. La identificación rápida y precisa de los tumores cerebrales, seguida de la intervención quirúrgica adecuada o la quimioterapia, aumenta la probabilidad de supervivencia. La determinación precisa de los tumores cerebrales en las resonancias magnéticas determina la ubicación exacta de la intervención quirúrgica o la quimioterapia. Sin embargo, esta segmentación precisa de los tumores cerebrales, debido a sus diversas morfologías en las resonancias magnéticas, plantea desafíos que requieren una gran experiencia y precisión en la interpretación de imágenes. A pesar de los avances significativos en este campo, existen varias barreras para la recolección adecuada de datos, especialmente en las ciencias médicas, debido a preocupaciones sobre la confidencialidad de la información del paciente. Sin embargo, los documentos de investigación para sistemas de aprendizaje y redes propuestas a menudo se basan en conjuntos de datos estandarizados porque un enfoque específico no está disponible. Este sistema combina el aprendizaje no supervisado en el componente de red generativa adversarial con el aprendizaje supervisado en las redes de segmentación. El sistema es completamente automatizado y se puede aplicar a la segmentación de tumores en varios conjuntos de datos, incluidos aquellos con datos dispersos. Para mejorar el proceso de aprendizaje, la red de segmentación de resonancias magnéticas cerebrales se entrena utilizando una red generativa adversarial para aumentar el número de imágenes. El modelo U-Net se empleó durante el paso de segmentación para combinar eficientemente los bloques restantes. La transformación Contourlet produce la verdad fundamental para cada imagen de resonancia magnética obtenida de la red generadora adversarial y las imágenes originales en la fase de procesamiento y preparación de máscaras. En la parte de la red generadora adversarial, se producen imágenes de alta calidad, cuyos resultados son similares al histograma de las imágenes originales. Finalmente, este sistema mejora el rendimiento de la segmentación de imágenes al combinar los bloques restantes con la red U-net. La segmentación se evalúa utilizando imágenes de resonancia magnética cerebral obtenidas del Hospital Medipol de Estambul. Los resultados muestran que el método propuesto y la red de segmentación de imágenes, que incorpora varios criterios, como el criterio DICE de 0.9434, pueden ser utilizados de manera efectiva en cualquier conjunto de datos como un sistema completamente automático para segmentar diferentes imágenes de resonancia magnética cerebral.