Los tumores cerebrales son patologías caracterizadas por un alto grado de mortalidad. Un diagnóstico temprano de estas patologías podría reducir la mortalidad y limitar los efectos adversos de la cirugía cerebral. La tomografía computarizada (TC) y la resonancia magnética (RM) son métodos de diagnóstico fundamentales. Ofrecen mucha información útil que ayuda a los operadores médicos a realizar un diagnóstico temprano y efectivo. Sin embargo, un operador humano debe analizar y clasificar la enorme cantidad de datos proporcionados. Este proceso es lento y a veces la información no es directamente visible para el ojo humano, lo que lleva a perder información esencial que podría ser útil para obtener un diagnóstico correcto y temprano. En tal escenario, el desarrollo de herramientas adecuadas destinadas a ayudar al operador humano es esencial. En particular, las metodologías de inteligencia artificial (IA) podrían ayudar al operador clínico a clasificar correctamente diferentes patologías tumorales, sugerir terapias más apropiadas y apoyar al cirujano en la reducción de la invasividad. Todos los sistemas de IA requieren una llamada fase de entrenamiento y una identificación adecuada de características para funcionar correctamente. En este trabajo, proponemos una herramienta para acelerar la segmentación y extracción de características de tumores cerebrales. En particular, nos centramos en el glioblastoma (GBM), un tumor cerebral caracterizado por una alta heterogeneidad tisular y una segmentación difícil. El método ha sido evaluado considerando un conjunto de datos experimentales pertenecientes al Laboratorio Radiómico de la Universidad de Trento. Los resultados obtenidos son alentadores y demuestran que el método propuesto puede ser muy útil para acelerar la segmentación de patologías y la extracción de características en comparación con otros métodos conocidos.