تشخیص دقیق و سریع تومورهای مغزی در تصاویر ام‌آرآی یکی از چالش‌های مهم در حوزه تصویربرداری پزشکی و تصمیم‌گیری بالینی به شمار می‌رود. محدودیت در داده‌های برچسب‌خورده و تنوع ساختاری تومورها، نیاز به مدل‌های یادگیری عمیق کارآمد، تفسیرپذیر و مقاوم در برابر داده‌های کم را بیش از پیش ضروری کرده است. در این پژوهش، یک مدل ترکیبی مبتنی بر یادگیری عمیق برای طبقه‌بندی تومورهای مغزی پیشنهاد شده است که از تلفیق معماری‌های ResNet50 و DenseNet121 همراه با ماژول توجه CBAM بهره می‌برد. معماری ResNet50 با استفاده از مسیرهای باقی‌مانده امکان یادگیری عمیق و پایدار را فراهم می‌سازد، در حالی‌که DenseNet121 با ساختار اتصال متراکم خود، به انتقال مؤثرتر ویژگی‌ها و افزایش کارایی مدل کمک می‌کند. ماژول CBAM نیز با اعمال توجه کانالی و مکانی، تمرکز مدل را بر نواحی کلیدی تصویر هدایت می‌کند و به بهبود دقت در طبقه‌بندی کمک می‌نماید. در طراحی مدل پیشنهادی، تلاش شده است تا با استفاده از استراتژی‌های افزایش مقاومت مدل در برابر داده‌های محدود، پایداری و تعمیم‌پذیری آن بهبود یابد. بررسی مطالعات پیشین نشان می‌دهد که استفاده تلفیقی از این سه مؤلفه می‌تواند منجر به افزایش چشمگیر در عملکرد شبکه‌های عصبی در طبقه‌بندی ام‌آرآی تومور مغزی گردد. همچنین در این پژوهش، به چالش‌های ناشی از محدودیت داده‌ها و راهکارهایی همچون یادگیری انتقالی، افزایش مصنوعی داده‌ها و امکان افزودن ارزیابی عدم‌قطعیت پرداخته شده است.