Genauigkeit bei der Segmentierung und Klassifizierung von Hirntumoren anhand von Magnetresonanztomographie-(MRI)-Bildern stellt weiterhin eine zentrale Herausforderung in der medizinischen Bildanalyse dar, vor allem aufgrund des Mangels an hochwertigen, ausgewogenen und vielfältigen Datensätzen. In dieser Arbeit stellen wir einen neu entwickelten MRI-Datensatz namens BRISC vor, der speziell für Aufgaben der Hirntumorsegmentierung und -klassifizierung konzipiert wurde. Der Datensatz umfasst 6.000 kontrastverstärkte T1-gewichtete MRI-Aufnahmen, die von zertifizierten Radiologen und Ärzten annotiert wurden. Er enthält drei Haupttumortypen – Gliom, Meningiom und Hypophysentumor – sowie Fälle ohne Tumorbefund. Jeder Datensatz enthält hochauflösende Segmentschichten und ist in axialen, sagittalen und koronalen Bildebenen kategorisiert, um eine robuste Modellentwicklung und eine gute Generalisierung über verschiedene Blickrichtungen hinweg zu ermöglichen. Um die Nutzbarkeit des Datensatzes zu demonstrieren, schlagen wir ein auf Transformers basierendes Modell vor, das einen Swin Transformer als Grundarchitektur nutzt, um multiskalare Merkmalsdarstellungen zu ermöglichen, und das sowohl für Segmentierungs- als auch für Klassifizierungsaufgaben als Benchmark dient. Dieses Modell fungiert als Referenz, um die Relevanz des BRISC-Datensatzes für die Weiterentwicklung methodischer Ansätze in der neuroonkologischen Bildanalyse zu unterstreichen. Datensatzlink: dieser https-URL