En los últimos años, las técnicas de aprendizaje profundo, y en particular los métodos de redes neuronales convolucionales (CNNs), han demostrado un rendimiento superior en la clasificación de imágenes y el reconocimiento visual de objetos. En este trabajo, proponemos una clasificación de cuatro tipos de lesiones hepáticas, a saber, carcinoma hepatocelular, metástasis, hemangiomas y tejidos sanos utilizando redes neuronales convolucionales con un modelo conciso llamado FireNet. Mejoramos la velocidad para una clasificación rápida y disminuimos el tamaño del modelo y el número de parámetros utilizando módulos de fuego de SqueezeNet. Hemos utilizado una conexión de derivación agregándola alrededor de los módulos de fuego para aprender una función residual entre la entrada y la salida, y para resolver el problema del gradiente desvaneciente. Hemos propuesto una nueva Optimización por Enjambre de Partículas (NPSO) para optimizar los parámetros de la red con el fin de mejorar aún más el rendimiento de FireNet propuesto. Los resultados experimentales muestran que los parámetros de FireNet son 9.5 veces más pequeños que los de GoogLeNet, 51.6 veces más pequeños que los de AlexNet y 75.8 veces más pequeños que los de ResNet. El tamaño de FireNet se reduce 16.6 veces más pequeño que GoogLeNet, 75 veces más pequeño que AlexNet y 76.6 veces más pequeño que ResNet. La precisión final de nuestro modelo FireNet propuesto fue del 89.2%.