Los métodos de análisis de imágenes médicas se han aplicado a escenarios clínicos de diagnóstico y tratamiento de tumores. Muchos estudios han intentado optimizar la efectividad de la segmentación de imágenes de resonancia magnética (IRM) de tumores mediante el aprendizaje profundo, pero no consideran la optimización de detalles locales y la interacción de información semántica global. Segundo, aunque el reconocimiento de patrones de imágenes médicas puede aprender características semánticas representativas, es desafiante ignorar características inútiles para aprender incrustaciones generalizables. Por lo tanto, se propone un método de segmentación asistida por tumor para detectar regiones y límites de lesiones tumorales con formas complejas. Específicamente, presentamos un autoencoder convolucional de desruido (DCAE) para la reducción de ruido en imágenes de IRM. Además, diseñamos un nuevo marco de segmentación de imágenes de IRM de tumores (NFSR-U-Net) basado en la agregación de patrones de correlación de clases, que primero agrega patrones de correlación de clases en imágenes de IRM para formar una representación de correlación de clases. Luego se identifica la relación de características de clase similares para correlacionar estrechamente las representaciones densas de características locales para la clasificación, lo cual es propicio para identificar datos de imagen con alta heterogeneidad. Mientras tanto, el modelo utiliza un mecanismo de atención espacial y una estructura residual para extraer información efectiva de la dimensión espacial y mejorar la información estadística en imágenes de IRM, lo que une la brecha semántica en las conexiones de salto. En el estudio, se analizan más de 4000 imágenes de IRM del Centro de Investigación de Inteligencia Artificial de la Universidad de Monash. Los resultados muestran que el método logra una precisión de segmentación de hasta el 96% para imágenes de IRM de tumores con un bajo consumo de recursos.