Primaire hersentumoren zijn een vrij zeldzame aandoening, maar desalniettemin dragen ze sterk bij tot de aan kanker gerelateerde sterfte, voornamelijk omdat de hersenen zelf een gecompliceerd en vitaal orgaan zijn. Het bepalen van de optimale behandelingsstrategie hangt sterk af van de accurate diagnose van de tumor, waarvoor tumorweefsel dient geanalyseerd te worden. Dit vereist een invasieve en potentieel riskante chirurgische ingreep. Medische beeldvorming daarentegen vormt een niet-invasieve methode om een diagnose te stellen, die bovendien meermaals kan herhaald worden. Het doel van deze doctoraatsthesis is een computer-geassisteerd diagnosesysteem voor primaire hersentumoren te ontwikkelen gebaseerd op medische beeldvorming en aan de hand van technieken uit de artificiële intelligentie. In eerste instantie wordt een automatisch tumorsegmentatie-algoritme voorgesteld dat in staat is om verschillende tumorweefsels af te lijnen op MRI scans. Vervolgens tonen we verschillende strategieën voor een computer-geassisteerde diagnose waarbij dit algoritme wordt toegepast op klinische beelden. In het bijzonder kunnen veertien binaire modellen met een hoge precisie de artsen helpen bij de therapeutische besluitvorming. Wanneer MRI gecombineerd wordt met aminozuur beeldvorming op basis van 18F-FET PET kan het onderscheid tussen laag- en hooggradige gliomen verder verbeterd worden.