Genauere Segmentierung von Hirntumoren spielt eine entscheidende Rolle im Diagnoseprozess. Allerdings bestehen aufgrund der Vielfalt an Tumoren mit geringer Kontrastierung, unterschiedlicher Morphologie, variabler Lokalisation, Annotierungsverzerrungen sowie ungleichmäßiger Verteilung der Tumorgebiete erhebliche Herausforderungen. In dieser Arbeit wird ein neuartiger 3D-Dual-Domain-Attention-Modul vorgestellt, der lokale und globale Informationen sowohl im räumlichen als auch im kontextuellen Domäne aus den kodierten Merkmalskarten von U-Net lernt. Unser Aufmerksamkeitsmodul erzeugt durch Aufmerksamkeitsmechanismen und Residual-Learning verfeinerte Merkmalskarten mit erweitertem Empfangsfeld in jeder Stufe, um sich gezielt auf komplexe Tumorgebiete zu konzentrieren. Unsere Experimente auf dem BraTS 2018-Datensatz haben eine überlegene Leistung im Vergleich zu bestehenden state-of-the-art-Methoden gezeigt.