La integración de la geometría fractal y la neuroinformática ofrece herramientas innovadoras para analizar la complejidad de estructuras cerebrales en imágenes de resonancia magnética. Este trabajo desarrolló un algoritmo basado en una arquitectura de tuberías y filtros que combina métodos como el box-counting y análisis multifractal para mejorar la precisión en la detección de patologías cerebrales. Se analizaron 379 imágenes de MRI de hospitales cubanos, incluyendo 227 tumores y 152 no tumores, mediante un flujo de procesamiento estructurado en cuatro etapas: preprocesamiento con filtro bilateral y conversión a escala de grises, cálculo multifractal mediante espectros de Holder, segmentación adaptativa por umbralización fractal y clasificación con KNN usando vectores de dimensión fractal.El algoritmo, implementado en Go para paralelismo y Python para la interfaz web, demostró una precisión promedio del 76.38% en identificación de tumores y un 84.16% en no tumores, superando métodos convencionales como la umbralización fija de Smith et al. 2020. Las pruebas de rendimiento con Pprof mostraron un uso eficiente del 51.53% del tiempo de CPU en procesos paralelizados, respaldado por bibliotecas como gonum para análisis numérico y suyashkumar/dicom para manejo de imágenes DICOM. Los resultados validan la utilidad de biomarcadores fractales en la caracterización de tejidos cerebrales, posicionando esta propuesta como un avance en diagnóstico médico asistido por computación, con ventajas en bajo consumo de memoria y adaptabilidad morfológica.