El cáncer cerebral es una enfermedad potencialmente mortal que requiere atención cercana. El diagnóstico temprano y preciso mediante imágenes médicas no invasivas es fundamental para un tratamiento exitoso y la supervivencia del paciente. Sin embargo, el diagnóstico manual por expertos radiólogos es un proceso que consume tiempo y tiene limitaciones en el procesamiento eficiente de grandes conjuntos de datos. Por lo tanto, se necesitan con urgencia sistemas eficientes capaces de analizar vastas cantidades de datos médicos para la detección temprana de tumores. El aprendizaje profundo (DL) con redes neuronales convolucionales profundas (DCNNs) emerge como una herramienta prometedora para comprender enfermedades como el cáncer cerebral a través de modalidades de imágenes médicas, especialmente la resonancia magnética (MRI), que proporciona un contraste detallado de tejidos blandos para visualizar tumores y órganos. Las técnicas de DL se han vuelto cada vez más populares en la investigación actual sobre la detección de tumores cerebrales. A diferencia de los métodos tradicionales de aprendizaje automático que requieren extracción manual de características, los modelos de DL son hábiles para manejar datos complejos como las MRIs y sobresalen en tareas de clasificación, lo que los hace adecuados para aplicaciones de análisis de imágenes médicas. Este estudio presenta un novedoso modelo Dual DCNN que puede clasificar con precisión muestras de MRI cancerosas y no cancerosas. Nuestro modelo Dual DCNN utiliza dos modelos de DL bien realizados, es decir, inceptionV3 y denseNet121. Las características se extraen de estos modelos mediante la adición de una capa de agrupamiento máximo global. Las características extraídas se utilizan luego para entrenar el modelo con la adición de cinco capas completamente conectadas y finalmente clasificar con precisión las muestras de MRI como cancerosas o no cancerosas. Las capas completamente conectadas se vuelven a entrenar para aprender las características extraídas para una mejor precisión. La técnica logra un 99%, 99%, 98% y 99% de precisión, precisión, recordatorio y puntuaciones f1, respectivamente. Además, este estudio compara el rendimiento del Dual DCNN con varios modelos de DL bien conocidos, incluidas las arquitecturas DenseNet121, InceptionV3, ResNet, EfficientNetB2, SqueezeNet, VGG16, AlexNet y LeNet-5, con diferentes tasas de aprendizaje. Este estudio indica que nuestro enfoque propuesto supera a estos modelos establecidos en términos de rendimiento.