Les tumeurs cérébrales constituent des obstacles considérables dans le domaine des soins de santé, nécessitant un diagnostic précis et rapide afin d'obtenir une thérapie efficace et d'améliorer les résultats pour les patients. L'imagerie par résonance magnétique (IRM) et la tomodensitométrie (TDM) sont des techniques cruciales pour l'identification des tumeurs cérébrales, chaque méthode offrant des avantages uniques. Cependant, le fait de dépendre exclusivement d'une modalité peut limiter la précision du diagnostic. Ce projet présente une nouvelle méthode qui intègre l'IRM et la tomodensitométrie pour améliorer la détection et la catégorisation des tumeurs cérébrales. En utilisant un réseau neuronal à convolution à 13 couches et des algorithmes de fusion d'images, notre approche cherche à combiner les avantages des deux modalités, en réduisant leurs inconvénients respectifs. Le flux de travail consiste à télécharger des IRM et des tomodensitogrammes sur une interface, où un réseau neuronal convolutif (CNN) applique l'algorithme de fusion d'images en arrière-plan. Le résultat de la classification révèle l'existence, la nature ou l'absence d'une tumeur. En outre, les résultats peuvent être obtenus via un site web ou une application mobile, ce qui permet aux professionnels de la santé de diagnostiquer plus facilement et plus efficacement les patients.