La inteligencia artificial (IA) y el diagnóstico asistido por computadora (CAD) han revolucionado varios aspectos de la vida moderna, particularmente en el ámbito médico. Estas tecnologías permiten soluciones eficientes para desafíos complejos, como la segmentación precisa de las regiones de tumores cerebrales, lo que ayuda significativamente a los profesionales médicos en el monitoreo y tratamiento de pacientes. Esta investigación se centra en la segmentación de lesiones de glioma en imágenes de resonancia magnética (MRI) mediante el análisis a nivel de píxel. El objetivo es desarrollar un enfoque basado en aprendizaje profundo que permita el aprendizaje en conjunto para lograr una segmentación precisa y consistente de los tumores cerebrales. Si bien muchos estudios han explorado técnicas de aprendizaje en conjunto en esta área, la mayoría se basa en funciones de agregación como la media aritmética ponderada (WAM) sin tener en cuenta las interdependencias entre subconjuntos de clasificadores. Para abordar esta limitación, se emplea el integral de Choquet para el aprendizaje en conjunto, junto con un nuevo marco de evaluación para medidas difusas. Este marco integra la teoría de juegos de coalición, la teoría de la información y la aproximación difusa Lambda. Se calculan tres conjuntos distintos de medidas difusas utilizando diferentes estrategias de ponderación informadas por estas teorías. Basado en estas medidas, se calculan tres integrales de Choquet para segmentar diferentes componentes de las lesiones cerebrales, y sus salidas se combinan posteriormente. Se utiliza el conjunto de datos de validación en línea BraTS-2020 para validar el enfoque propuesto. Los resultados demuestran un rendimiento superior en comparación con varios métodos recientes, logrando coeficientes de similitud de Dice de 0.896, 0.851 y 0.792 y distancias de Hausdorff del 95% de 5.96 mm, 6.65 mm y 20.74 mm para el tumor completo, el núcleo del tumor y el núcleo del tumor en realce, respectivamente.