في هذه الورقة، نقدم طريقة تجزئة ورماغية دماغية بالكامل تعتمد على الشبكات العصبية العميقة (DNNs). تم تصميم الشبكات المقترحة خصيصًا للغليوبلاستوما (من الدرجة المنخفضة والمرتفعة) التي تظهر في صور الرنين المغناطيسي. بطبيعتها، يمكن أن تظهر هذه الأورام في أي مكان من الدماغ ولديها أشكال وأحجام وتباينات متنوعة تقريبًا. هذه الأسباب تحفز استكشافنا لحل يعتمد على التعلم الآلي يستغل شبكة عصبية عميقة مرنة ذات قدرة عالية مع كونه فائق الكفاءة. هنا، نقدم وصفًا لأختيارات النماذج المختلفة التي وجدنا أنها ضرورية للحصول على أداء تنافسي. نستكشف بشكل خاص هياكل مختلفة تعتمد على الشبكات العصبية التلافيفية (CNN)، وهي شبكات DNNs التي تم تكييفها خصيصًا للبيانات الصورية.نقدم هيكلاً جديدًا للشبكة العصبية التلافيفية يختلف عن تلك المستخدمة تقليديًا في رؤية الحاسوب. تستغل شبكتنا العصبية التلافيفية كلاً من الخصائص المحلية وكذلك الخصائص السياقية العالمية بشكل متزامن. أيضًا، بخلاف معظم الاستخدامات التقليدية للشبكات العصبية التلافيفية، تستخدم شبكاتنا طبقة نهائية هي تنفيذ تلوفي لطبقة متصلة بالكامل مما يسمح بزيادة سرعة التشغيل بمقدار 40 مرة. كما نصف إجراءً تدريبيًا ذي مرحلتين يتيح لنا التعامل مع الصعوبات المتعلقة بعدم توازن علامات الورم. أخيرًا، نستكشف هيكلاً متتاليًا حيث يتم معالجة مخرجات شبكة CNN الأساسية كمصدر إضافي للمعلومات لشبكة CNN اللاحقة.نتائج التي تم الإبلاغ عنها على مجموعة بيانات اختبار BRATS 2013 تكشف أن هيكمنا يحسن الأداء عن أفضل ما تم نشره حاليًا بينما يكون أسرع بمزيد من 30 مرة.