Maskininlärningsmodeller tränade på MR-data av friska personer kan användas för att estimera ålder. Noggrann uppskattning hjärnans ålder är viktigt för att pålitligt upptäcka onormalt åldrande av hjärnan. Ett sätt att öka noggrannheten är genom att använda multimodal data. Tidigare forskning gjord med multimodal data har till stor del inte varit baserad på djupinlärning; i denna avhandling undersöker vi en djupinlärningsmodell som effektivt kan utnyttja flera modaliteter. Tre basmodeller tränades. Två använda T1-viktad respektive T2-viktad data. Den tredje modellen tränades på både T1- och T2-viktad data genom hög-nivå fusion. Vi fann att användning av multimodal data minskade det genomsnittliga absoluta felet för estimerade åldrar. En fjärde modell använde separering (eng. disentanglement) för att skapa en representation som är robust vid avsaknad T1- eller T2-viktad data. Resultaten var lika för denna modellen och basmodellerna, vilket innebär att modellen är robust mot avsaknad data, utan någon betydande försämring i noggranhet.