Antecedentes: la imagen por microondas (MWI) ha surgido como una modalidad prometedora para la detección de cáncer de mama, ofreciendo exámenes económicos, rápidos, seguros y cómodos. Sin embargo, la aplicación práctica de MWI para la detección y localización de tumores se ve obstaculizada por su baja resolución inherente y baja capacidad de detección. Métodos: este estudio tiene como objetivo generar un mapa preciso de probabilidad de tumor directamente a partir de la matriz de dispersión. Esta conversión directa hace que el mapa de probabilidad sea independiente de técnicas específicas de formación de imágenes y, por lo tanto, potencialmente complementario a cualquier técnica de formación de imágenes. Se utiliza un enfoque basado en una red neuronal convolucional (CNN) para convertir la matriz de dispersión en un mapa de probabilidad de tumor. El modelo de aprendizaje profundo propuesto se entrena utilizando un gran conjunto de datos numéricos realistas de cortes de mama bidimensionales (2D). El rendimiento del modelo se evalúa mediante inspección visual y medidas cuantitativas para evaluar la calidad predictiva en varios niveles de detalle. Resultados: los resultados demuestran una precisión notablemente alta (0.9995) en la clasificación de perfiles como sanos o enfermos, y muestran la capacidad del modelo para localizar con precisión el núcleo de un solo tumor (dentro de 0.9 cm en la mayoría de los casos). Conclusión: en general, esta investigación demuestra que un enfoque basado en redes neuronales (NN) para la conversión directa de matrices de dispersión a mapas de probabilidad de tumor promete avanzar en los algoritmos de detección de tumores de vanguardia en el dominio de MWI.