Hirntumore stellen im Gesundheitswesen erhebliche Hindernisse dar, die eine genaue und schnelle Diagnose erfordern, um eine wirksame Therapie zu ermöglichen und die Ergebnisse für die Patienten zu verbessern. Die Magnetresonanztomographie (MRT) und die Computertomographie (CT) sind entscheidende Techniken zur Identifizierung von Hirntumoren, wobei jede Methode einzigartige Vorteile bietet. Wenn man sich jedoch ausschließlich auf ein Verfahren verlässt, kann die Genauigkeit der Diagnose eingeschränkt sein. In diesem Projekt wird eine neuartige Methode vorgestellt, die MRT- und CT-Scans integriert, um die Erkennung und Kategorisierung von Hirntumoren zu verbessern. Durch den Einsatz eines 13-schichtigen neuronalen Faltungsnetzwerks und von Bildfusionsalgorithmen versucht unser Ansatz, die Vorteile beider Modalitäten zu kombinieren und ihre jeweiligen Nachteile zu verringern. Der Arbeitsablauf umfasst das Hochladen von MRT- und CT-Scans auf eine Schnittstelle, auf der ein Convolutional Neural Network (CNN) einen Bildfusionsalgorithmus im Backend anwendet. Das Ergebnis der Klassifizierung gibt Aufschluss über das Vorhandensein, die Art oder das Fehlen eines Tumors. Darüber hinaus können die Ergebnisse über eine Website oder eine mobile App abgerufen werden, was die Diagnose von Patienten für das medizinische Fachpersonal einfacher und effektiver macht. Diese Forschungsarbeit zielt darauf ab, die Effizienz und Präzision von BHs zu verbessern.