La producción de células sanguíneas se ve afectada por la leucemia, un tipo de cáncer de médula ósea o cáncer sanguíneo. El ácido desoxirribonucleico (ADN) está relacionado con las células inmaduras, especialmente las células blancas, y se daña de diversas formas en esta enfermedad. Cuando un radiólogo está involucrado en el diagnóstico de células de leucemia aguda, el diagnóstico es demorado y necesita proporcionar una mejor precisión. Con este propósito, se han realizado muchos tipos de investigaciones para el diagnóstico automático de la leucemia aguda. Sin embargo, estos estudios tienen una velocidad y precisión de detección bajas. Las técnicas de aprendizaje automático e inteligencia artificial están desempeñando un papel esencial en las ciencias médicas, especialmente en la detección y clasificación de células leucémicas. Estos métodos ayudan a los médicos a detectar enfermedades de manera más temprana, reduciendo su carga de trabajo y la posibilidad de errores. Esta investigación tiene como objetivo diseñar un modelo de aprendizaje profundo con una arquitectura personalizada para detectar la leucemia aguda utilizando imágenes de linfocitos y monocitos. Este estudio presenta un conjunto de datos novedoso que contiene imágenes de Leucemia Linfoblástica Aguda (LLA) y Leucemia Mieloide Aguda (LMA). El nuevo conjunto de datos ha sido creado con la ayuda de varios expertos para ayudar a la comunidad científica en sus esfuerzos por incorporar técnicas de aprendizaje automático en la investigación médica. Aumentar la escala del conjunto de datos se logra con una Red Generativa Antagónica (GAN). El modelo de CNN propuesto basado en la función de pérdida de Tversky incluye seis capas de convolución, cuatro capas densas y una función de activación Softmax para la clasificación de imágenes de leucemia aguda. El modelo propuesto logró una tasa de precisión del 99% en el diagnóstico de los tipos de leucemia aguda, incluyendo LLA y LMA. En comparación con investigaciones anteriores, la red propuesta proporciona un rendimiento prometedor en términos de velocidad y precisión; y según los resultados, el modelo propuesto puede ser utilizado para ayudar a médicos y especialistas en aplicaciones prácticas.