La aplicación de la resonancia magnética (RM) en la clasificación de tumores cerebrales se ve limitada por las características complejas y que consumen mucho tiempo de los procedimientos de diagnóstico tradicionales, principalmente debido a la necesidad de una evaluación exhaustiva en varias regiones. Sin embargo, los avances en el aprendizaje profundo (DL) han facilitado el desarrollo de un sistema automatizado que mejora la identificación y evaluación de imágenes médicas, abordando eficazmente estas dificultades. Las redes neuronales convolucionales (CNN) han surgido como herramientas sólidas para la clasificación de imágenes y la percepción visual. Este estudio introduce un enfoque innovador que combina CNN con un mecanismo de atención híbrido para clasificar tumores cerebrales primarios, incluyendo glioma, meningioma, hipofisario y casos sin tumor. El algoritmo propuesto fue rigurosamente probado con datos de referencia de fuentes bien documentadas en la literatura. Fue evaluado junto a modelos pre-entrenados establecidos como Xception, ResNet50V2, Densenet201, ResNet101V2 y DenseNet169. Las métricas de rendimiento del método propuesto fueron notables, demostrando una precisión de clasificación del 98.33%, precisión y recall del 98.30%, y un puntaje F1 del 98.20%. El hallazgo experimental resalta el rendimiento superior del nuevo enfoque en la identificación de los tipos más frecuentes de tumores cerebrales. Además, el método muestra excelentes capacidades de generalización, convirtiéndolo en una herramienta invaluable para la atención médica en el diagnóstico preciso y eficiente de condiciones cerebrales.