La detección temprana del cáncer de mama es esencial para mejorar los resultados del tratamiento, y los recientes avances en inteligencia artificial (IA), combinados con técnicas de procesamiento de imágenes, han mostrado un gran potencial para mejorar la precisión diagnóstica. Este estudio explora los efectos de varios métodos de procesamiento de imágenes y modelos de IA en el rendimiento de los sistemas de diagnóstico temprano del cáncer de mama. Al centrarnos en técnicas como el filtrado de Wiener y el filtrado de variación total, buscamos mejorar la calidad de la imagen y la precisión diagnóstica. La novedad de este estudio radica en la evaluación exhaustiva de estas técnicas en múltiples conjuntos de datos de imágenes médicas, incluido un conjunto de datos de DCE-MRI para la segmentación y clasificación de imágenes de tumores mamarios (BreastDM) y el conjunto de datos de Imágenes de Ultrasonido Mamario (BUSI), Sociedad de Análisis de Imágenes Mamográficas (MIAS), Imágenes Histopatológicas de Cáncer de Mama (BreakHis) y Base de Datos Digital para Mamografías de Detección (DDSM). La integración de modelos de IA avanzados, como el transformador de visión (ViT) y el modelo U-KAN, una estructura U-Net combinada con Redes Kolmogorov-Arnold (KAN), es otro aspecto clave que ofrece nuevas ideas sobre la eficacia de estos enfoques en diferentes contextos de imágenes. Los experimentos revelaron que el filtrado de Wiener mejoró significativamente la calidad de la imagen, logrando un pico de relación señal-ruido (PSNR) de 23.06 dB y un índice de similitud estructural (SSIM) de 0.79 utilizando el conjunto de datos BreastDM y un PSNR de 20.09 dB con un SSIM de 0.35 utilizando el conjunto de datos BUSI. Cuando se aplicaron técnicas de filtrado combinadas, los resultados variaron, con el conjunto de datos MIAS mostrando una disminución en SSIM y un aumento en el error cuadrático medio (MSE), mientras que el conjunto de datos BUSI exhibió una calidad perceptiva mejorada y una preservación estructural. El marco del transformador de visión (ViT) sobresalió en el procesamiento de datos de imagen complejos, especialmente con los conjuntos de datos BreastDM y BUSI. Notablemente, el filtro de Wiener utilizando el conjunto de datos BreastDM resultó en una precisión del 96.9% y una sensibilidad del 96.7%, mientras que el enfoque de filtrado combinado mejoró aún más estas métricas a una precisión del 99.3% y una sensibilidad del 98.3%. En el conjunto de datos BUSI, el filtro de Wiener logró una precisión del 98.0% y una especificidad del 98.5%. Además, el modelo U-KAN demostró un rendimiento superior en la segmentación de lesiones de cáncer de mama, superando a modelos tradicionales como U-Net y U-Net++ en los conjuntos de datos, con una precisión del 93.3% y una sensibilidad del 97.4% en el conjunto de datos BUSI. Estos hallazgos resaltan la importancia de las técnicas de preprocesamiento específicas del conjunto de datos y el potencial de modelos de IA avanzados como ViT y U-KAN para mejorar significativamente la precisión de los diagnósticos tempranos de cáncer de mama.