La segmentación de imágenes es el proceso de particionar una imagen en múltiples conjuntos de píxeles o vóxeles que compartan alguna característica visual. Existen diversos métodos de segmentación, entre los cuales encontramos algunos basados en morfología matemática, contornos activos y modelos gráficos probabilísticos. Los métodos basados en autómatas celulares pueden acoplarse a más de uno de estos métodos. Entre los métodos de segmentación basados en autómatas celulares se encuentra el algoritmo GrowCut, el cual define una regla de autómata celular determinístico que simula el crecimiento competitivo de varias colonias de bacterias cuyo territorio es el espacio de la imagen. En este trabajo se presentan nuevas reglas para este tipo de autómatas, así como una metodología para comparar su desempeño y calidad de segmentación en problemas de segmentación de tumores cerebrales para planificación de radiocirugía estereotáctica. Se presentan una comparación de resultados en términos de calidad de segmentación y tiempo de respuesta para un conjunto de reglas y distintos casos de prueba. Adicionalmente, se especifica un patrón de implementación en CUDA que aprovecha la capacidad de paralelismo inherente de los autómatas celulares y un método para la selección no supervisada de la configuración inicial del autómata.