En las aplicaciones médicas, los métodos de fusión de imágenes médicas son capaces de fusionar las imágenes médicas de diversas morfologías para obtener un diagnóstico médico confiable. Una imagen de una sola modalidad no puede proporcionar suficiente información para un diagnóstico exacto. Por lo tanto, en este documento se propone un modelo eficiente de inteligencia artificial basado en la fusión de imágenes médicas multimodales. Inicialmente, las imágenes médicas multimodales se obtienen para un proceso de fusión efectivo utilizando una transformada discreta de onda modificada (MDWT), logrando así una imagen con alta claridad visual. Luego, las imágenes fusionadas se clasifican como malignas o benignas utilizando el algoritmo dinámico de optimización híbrida basado en redes neuronales convolucionales (CNN-HOD) propuesto. Para mejorar la función de peso y la precisión de clasificación de la CNN, se propone un algoritmo dinámico de optimización híbrida (HOD). El HOD es la integración del algoritmo optimizador de pez vela y el algoritmo optimizador de gaviota. Aquí, el algoritmo optimizador de gaviota reemplaza la operación de migración para obtener la ubicación óptima. El análisis experimental se lleva a cabo y se adquiere con desviación estándar (58%), gradiente promedio (88%) y factor de fusión (73%) en comparación con otros enfoques. Los resultados experimentales demuestran que el enfoque propuesto funciona mejor que otros enfoques y ofrece imágenes fusionadas de alta calidad para un diagnóstico preciso.