現在の脳腫瘍セグメンテーション手法の多くは、マルチモーダル磁気共鳴画像（MRI）を活用して高いセグメンテーション性能を達成している。しかし臨床現場では、特定のモダリティ画像が欠損するケースが頻発するため、セグメンテーション性能が著しく低下する問題が生じる。本研究では、マルチモーダルデータの異なる組み合わせを適応的かつ効果的に活用できる「領域認識型融合ネットワーク（Region-aware Fusion Network, RFNet）」を提案する。異なるモダリティが脳腫瘍の異なる領域に対して感度を示すことに着目し、RFNet内に「領域認識型融合モジュール（Region-aware Fusion Module, RFM）」を設計した。このRFMは、利用可能な画像モダリティからの特徴を、領域ごとに異なる方式で融合することで、不完全なマルチモーダル画像セットからも適応的に腫瘍領域をセグメンテーション可能となる。さらに、不完全なマルチモーダルデータによる訓練の不十分さや不均衡を防ぐため、セグメンテーションに基づく正則化項を導入した。具体的には、融合されたモダリティ特徴からセグメンテーション結果を得るだけでなく、各モダリティのエンコーデッド特徴から個別にセグメンテーションを実行する。これにより、各モダリティエンコーダーが判別性の高い特徴を学習するよう強制され、融合特徴の表現能力が向上する。著しい成果として、BRATS2020、BRATS2018、BRATS2015の各データセットにおける広範な実験により、本手法RFNetが最先端手法を顕著に上回ることが実証された。