Para diagnosticar el síndrome de Gougerot-Sjögren (GSS), la imagen por ultrasonido (US) es una herramienta prometedora para ayudar a médicos y expertos. Nuestro proyecto se enfoca en la detección automática de la presencia de GSS utilizando US. La imagen por ultrasonido sufre de una relación señal-ruido débil. Por lo tanto, cualquier tarea de clasificación o segmentación basada en estas imágenes se convierte en un desafío difícil. Para abordar estas dos tareas, evaluamos diferentes enfoques: una clasificación utilizando un método de aprendizaje automático junto con la extracción de características basada en un conjunto de mediciones siguiendo la guía radiómica y una clasificación basada en aprendizaje profundo. Proponemos, por lo tanto, un método innovador para mejorar el entrenamiento de una red neuronal profunda con dos fases: múltiples supervisión utilizando clasificación conjunta y una segmentación implementada como preentrenamiento. Destacamos que nuestros métodos de aprendizaje proporcionan resultados de segmentación similares a los realizados por expertos humanos. Obtenemos resultados de segmentación competentes para las glándulas salivales y resultados prometedores de detección para el síndrome de Gougerot-Sjögren; observamos una precisión máxima con el modelo entrenado en dos fases. Nuestros resultados experimentales corroboran el hecho de que el aprendizaje profundo y la radiómica combinados con la imagen por ultrasonido pueden ser una herramienta prometedora para los problemas mencionados anteriormente.