Los tumores cerebrales son más comunes en niños y en personas mayores. Es una forma grave de cáncer causada por el crecimiento incontrolable de células cerebrales dentro del cráneo. Las células tumorales son notoriamente difíciles de clasificar debido a su heterogeneidad. Las redes neuronales convolucionales (CNN) son el algoritmo de aprendizaje automático más utilizado para el aprendizaje visual y el reconocimiento de tumores cerebrales. Este estudio propuso un EfficientNet denso basado en CNN utilizando normalización min-max para clasificar 3260 imágenes de resonancia magnética cerebral con realce de contraste ponderadas en T1 en cuatro categorías (glioma, meningioma, hipófisis y sin tumor). La red desarrollada es una variante de EfficientNet con capas densas y de eliminación. De manera similar, los autores combinaron la aumentación de datos con la normalización min-max para aumentar el contraste de las células tumorales. El beneficio del modelo de CNN denso es que puede categorizar con precisión una base de datos limitada de imágenes. Como resultado, el enfoque propuesto proporciona un rendimiento general excepcional. Los resultados experimentales indican que el modelo propuesto fue preciso en un 99.97% durante el entrenamiento y en un 98.78% durante las pruebas. Con alta precisión y un puntaje F1 favorable, la nueva arquitectura EfficientNet CNN diseñada recientemente puede ser una herramienta de toma de decisiones útil en el estudio de pruebas diagnósticas de tumores cerebrales.