Diagnosticar un tumor cerebral lleva mucho tiempo y depende en gran medida de las habilidades y experiencia del radiólogo. La cantidad de datos que se deben manejar ha aumentado drásticamente a medida que ha aumentado el número de pacientes, lo que hace que los procedimientos antiguos sean costosos e ineficaces. Muchos investigadores han investigado una variedad de algoritmos para detectar y clasificar tumores cerebrales que sean precisos y rápidos. Los enfoques de Aprendizaje Profundo (DL) han sido populares recientemente en el desarrollo de sistemas automatizados capaces de diagnosticar o segmentar con precisión tumores cerebrales en menos tiempo. DL permite un modelo de Red Neuronal Convolucional (CNN) pre-entrenado para imágenes médicas, específicamente para clasificar cánceres cerebrales. El Modelo de Clasificación de Tumores Cerebrales propuesto basado en CNN (BCM-CNN) es una optimización de hiperparámetros de CNN utilizando un algoritmo optimizador de lobo gris de aptitud seno-coseno dinámico adaptativo (ADSCFGWO). Hay una optimización de hiperparámetros seguida de un modelo de entrenamiento construido con Inception-ResnetV2. El modelo emplea modelos pre-entrenados comúnmente utilizados (Inception-ResnetV2) para mejorar el diagnóstico de tumores cerebrales, y su salida es un binario 0 o 1 (0: Normal, 1: Tumor). Principalmente hay dos tipos de hiperparámetros: (i) hiperparámetros que determinan la estructura de la red subyacente; (ii) un hiperparámetro que es responsable del entrenamiento de la red. El algoritmo ADSCFGWO se basa tanto en los algoritmos seno coseno como en los lobos grises en un marco adaptable que utiliza las fortalezas de ambos algoritmos. Los resultados experimentales muestran que el BCM-CNN como clasificador logró los mejores resultados debido a la mejora del rendimiento de la CNN por la optimización de hiperparámetros de CNN. El BCM-CNN ha logrado una precisión del 99.98% con el conjunto de datos de la Tarea 1 de BRaTS 2021.