La detección temprana de tumores cerebrales es fundamental para garantizar un tratamiento exitoso, y la imagen médica es esencial en este proceso. Sin embargo, analizar la gran cantidad de datos médicos generados a partir de diversas fuentes como la resonancia magnética (MRI) ha sido una tarea desafiante. En esta investigación, proponemos un método para la segmentación temprana de tumores cerebrales utilizando análisis de big data y redes neuronales convolucionales basadas en parches (PBCNNs). Utilizamos conjuntos de datos BraTS 2012-2018. Los datos se procesan previamente a través de varios pasos como perfilado, limpieza, transformación y enriquecimiento para mejorar la calidad de los datos. El modelo de CNN propuesto utiliza una arquitectura basada en parches con capas globales y locales que permiten al modelo analizar diferentes partes de la imagen con resoluciones variables. La arquitectura toma múltiples modalidades de entrada, como T1, T2, T2-c y FLAIR, para mejorar la precisión de la segmentación. El rendimiento del modelo propuesto se evalúa utilizando varios métricas, como precisión, sensibilidad, especificidad, coeficiente de similitud de Dice, precisión, tasa de falsos positivos y tasa de verdaderos positivos. Nuestros resultados indican que el método propuesto supera a los métodos existentes y es efectivo en la segmentación temprana de tumores cerebrales. El método propuesto también puede ayudar a los profesionales médicos a realizar diagnósticos precisos y oportunos, y así mejorar los resultados de los pacientes, lo cual es especialmente crítico en el caso de tumores cerebrales. Esta investigación también enfatiza la importancia del análisis de big data en la investigación de imágenes médicas y destaca el potencial de los modelos PBCNN en este campo.