تُعدّ معظم الطرق الحالية لفصل أورام الدماغ مبنية على استخدام صور التصوير بالرنين المغناطيسي متعدد النماذج (MRI) لتحقيق أداء عالٍ في الفصل. ومع ذلك، فإن مشكلة غياب بعض صور النماذج تحدث غالبًا في الممارسة السريرية، مما يؤدي إلى تدهور حاد في أداء الفصل. في هذا العمل، نقترح شبكة تجميع مُدركة للمنطقة (RFNet) قادرة على استغلال مجموعات مختلفة من البيانات متعددة النماذج بشكل تكيفي وفعّال للفصل. بالنظر إلى أن النماذج المختلفة حساسة لمناطق مختلفة من أورام الدماغ، قمنا بتصميم وحدة تجميع مُدركة للمنطقة (RFM) داخل RFNet لتنفيذ تجميع الميزات من النماذج المتاحة وفقًا للمناطق المختلفة. وبفضل وحدة RFM، يمكن لـ RFNet التمييز التكيفي لمناطق الورم من مجموعة غير كاملة من الصور متعددة النماذج من خلال تجميع فعّال لميزات النماذج. علاوةً على ذلك، طوّرنا أيضًا مُنظّمًا مبنيًا على الفصل لمنع RFNet من التدريب غير الكافي وغير المتوازن الناتج عن البيانات متعددة النماذج غير الكاملة. وبشكل محدد، بالإضافة إلى الحصول على نتائج الفصل من الميزات المدمجة للنماذج، نقوم أيضًا بفصل كل نموذج صوري بشكل منفصل من خلال الميزات المشفرة المقابلة. وبهذا الأسلوب، يُجبر كل مشفر نموذجي على تعلّم ميزات تمييزية، مما يعزز قدرة التمثيل للميزات المدمجة. وتجدر الإشارة إلى أن التجارب الواسعة على مجموعات بيانات BRATS2020 وBRATS2018 وBRATS2015 تُظهر بشكل ملحوظ أن RFNet تتفوّق بشكل كبير على أفضل الطرق الحالية.