Die automatische Segmentierung von Hirntumoren aus 3D-Magnetresonanztomografien (MRTs) ist für die Diagnose, Überwachung und Therapieplanung der Krankheit unerlässlich. Manuelle Konturierungsverfahren erfordern anatomisches Wissen, sind kostspielig, zeitaufwendig und können aufgrund menschlicher Fehler ungenau sein. In diesem Beitrag beschreiben wir ein semantisches Segmentierungsnetzwerk zur Segmentierung von Tumorsubregionen aus 3D-MRTs, das auf einer Encoder-Decoder-Architektur basiert. Aufgrund der begrenzten Größe des Trainingsdatensatzes wurde eine variationsautoencoder-basierte Ast hinzugefügt, um das Eingabebild selbst zu rekonstruieren und den gemeinsamen Decoder zu regularisieren sowie zusätzliche Einschränkungen auf seine Schichten aufzuerlegen. Der aktuelle Ansatz belegte den ersten Platz im BraTS 2018 Challenge.