La estenosis aórtica (AS) es una afección cardiovascular crítica que requiere un diagnóstico preciso para una atención efectiva al paciente. A pesar de un conjunto de datos limitado que comprende solo 202 imágenes, nuestro estudio emplea el aprendizaje por transferencia para investigar la eficacia de cinco modelos de redes neuronales convolucionales (CNN), junto con técnicas avanzadas de visión por computadora, en clasificar con precisión AS. El modelo VGG16 se destaca entre los modelos probados, logrando un 95% de sensibilidad y puntaje F1. Para fortalecer la robustez y generalización del modelo, implementamos diversas técnicas de aumento de datos, incluidas la traducción, rotación, volteo y ajuste de brillo. Estas técnicas tienen como objetivo capturar variaciones de imágenes del mundo real encontradas en entornos clínicos. La validación, realizada utilizando datos auténticos del Hospital Santa María, no solo confirma la aplicabilidad clínica de nuestro modelo, sino que también destaca el potencial para desarrollar modelos robustos con un número limitado de imágenes. Los modelos se someten a entrenamiento después de que las imágenes pasan por una serie de técnicas de visión por computadora y de aumento de datos, como se detalla en este documento. Estas técnicas aumentan el tamaño de nuestro conjunto de datos, contribuyendo a mejorar el rendimiento del modelo. En conclusión, nuestro estudio ilumina el potencial de la detección de AS impulsada por IA en escáneres de resonancia magnética. La integración de aprendizaje por transferencia, modelos de CNN y aumento de datos produce altas tasas de precisión, incluso con un conjunto de datos pequeño, como se valida en casos clínicos reales.