No hay duda de que los tumores cerebrales son una de las principales causas de muerte en el mundo. Una biopsia se considera el procedimiento más importante en el diagnóstico del cáncer, pero tiene inconvenientes, como baja sensibilidad, riesgos durante el tratamiento de la biopsia y una larga espera de resultados. La identificación temprana proporciona a los pacientes un mejor pronóstico y reduce los costos del tratamiento. Los métodos convencionales para identificar tumores cerebrales se basan en las habilidades de los profesionales médicos, por lo que existe la posibilidad de error humano. La naturaleza intensiva en mano de obra de los enfoques tradicionales hace que los recursos de atención médica sean costosos. Existen una variedad de métodos de imagen disponibles para detectar tumores cerebrales, incluida la resonancia magnética (MRI) y la tomografía computarizada (CT). La investigación en imágenes médicas está siendo avanzada por procesos de diagnóstico asistido por computadora que permiten la visualización. Utilizando el agrupamiento, la segmentación automática de tumores conduce a una detección precisa que reduce el riesgo y ayuda con el tratamiento efectivo. Este estudio propuso un mejor algoritmo de segmentación Fuzzy C-Means para imágenes de resonancia magnética. Para reducir la complejidad, se seleccionan las características de forma, textura y color más relevantes. La máquina de aprendizaje extremo mejorada clasifica los tumores con un 98.56% de precisión, 99.14% de precisión y 99.25% de recuperación. El clasificador propuesto demuestra consistentemente una mayor precisión en todas las clases de tumores en comparación con los modelos existentes. Específicamente, el modelo propuesto muestra mejoras de precisión que van desde 1.21% hasta 6.23% en comparación con otros modelos. Esta mejora constante en la precisión enfatiza el rendimiento sólido del clasificador propuesto, lo que sugiere su potencial para una clasificación de tumores cerebrales más precisa y confiable. El algoritmo mejorado logró tasas de precisión, precisión y recuperación del 98.47%, 98.59% y 98.74% en el conjunto de datos de Figshare y del 99.42%, 99.75% y 99.28% en el conjunto de datos de Kaggle, respectivamente, superando a los algoritmos competidores, especialmente en la detección de los grados de glioma. El algoritmo propuesto muestra una mejora en la precisión, de aproximadamente 5.39%, en el conjunto de datos de Figshare y de 6.22% en el conjunto de datos de Kaggle en comparación con los modelos existentes. A pesar de los desafíos, incluidos artefactos y complejidad computacional, el compromiso del estudio de refinar la técnica y abordar las limitaciones posiciona al modelo FCM mejorado como un avance notable en el ámbito de la identificación precisa y eficiente de tumores cerebrales.