In dieser Arbeit stellen wir eine vollautomatische Methode zur Segmentierung von Hirntumoren auf Basis von Tiefen Neuronalen Netzen (Deep Neural Networks, DNNs) vor. Die vorgeschlagenen Netze sind speziell auf Glioblastome (sowohl niedrig als auch hochgradig maligne) angepasst, die in MR-Bildern dargestellt werden. Aufgrund ihrer Natur können diese Tumoren überall im Gehirn auftreten und fast jede Form, Größe und Kontraststärke haben. Diese Gründe motivieren unsere Untersuchung einer maschinellen Lernlösung, die ein flexibles, hochkapazitäts-DNN nutzt und dabei äußerst effizient ist. Hier beschreiben wir verschiedene Modellauswahlen, die wir für notwendig erachtet haben, um wettbewerbsfähige Leistungen zu erzielen. Insbesondere untersuchen wir verschiedene Architekturen basierend auf Faltungsneuronalen Netzen (Convolutional Neural Networks, CNN), also DNNs, die speziell für Bilddaten angepasst sind.Wir präsentieren eine neuartige CNN-Architektur, die sich von den traditionell in der Computer Vision verwendeten unterscheidet. Unser CNN nutzt sowohl lokale Merkmale als auch globale kontextuelle Merkmale gleichzeitig. Im Gegensatz zu den meisten traditionellen Anwendungen von CNNs verwenden unsere Netze eine finale Schicht, die eine faltungsbezogene Implementierung eines vollständig verbundenen Layers ist und einen 40-fachen Geschwindigkeitsvorteil ermöglicht. Zudem beschreiben wir ein zweiphasiges Trainingsverfahren, das es uns ermöglicht, Schwierigkeiten im Zusammenhang mit der Ungleichgewichtigkeit der Tumorlabels anzugehen. Schließlich untersuchen wir eine Kaskadenarchitektur, bei der die Ausgabe eines grundlegenden CNN als zusätzliche Informationsquelle für ein nachfolgendes CNN verwendet wird. Die Ergebnisse, die auf dem BRATS-Testdatensatz aus dem Jahr 2013 berichtet werden, zeigen, dass unsere Architektur den aktuellen Stand der Forschung verbessert und dabei mehr als 30-mal schneller ist.