El cáncer de mama sigue siendo una de las principales causas de muerte relacionadas con el cáncer entre las mujeres a nivel mundial. La detección temprana a través de la mamografía es esencial para mejorar el pronóstico y las tasas de supervivencia. Sin embargo, la precisión diagnóstica de la mamografía se ve gravemente obstaculizada por el tejido mamario denso, que puede obstruir posibles malignidades, complicando la detección temprana. Para abordar este problema apremiante, este estudio presenta un enfoque innovador que aprovecha las Redes Generativas Antagónicas (GANs), específicamente CycleGAN y GANHopper, para transformar la densidad mamaria en mamografías. El objetivo es disminuir el efecto de enmascaramiento del tejido denso, mejorando así la visibilidad de las malignidades subyacentes. El método utiliza traducción de imagen a imagen no supervisada para alterar gradualmente la densidad mamaria (de alta (ACR-D) a baja (ACR-A)) en imágenes mamográficas, detectando lesiones ocultas mientras se preservan las características diagnósticas originales. Aplicamos este enfoque a múltiples conjuntos de datos mamográficos, demostrando su efectividad en diversos contextos. Los resultados experimentales muestran mejoras sustanciales en la detección de posibles malignidades ocultas por el tejido mamario denso. El método mejoró significativamente las métricas de precisión, sensibilidad y puntuación F1 en todos los conjuntos de datos, revelando malignidades previamente ocultas y las evaluaciones de calidad de imagen confirmaron la relevancia diagnóstica de las imágenes transformadas. El estudio presenta un nuevo método de análisis de mamografías utilizando técnicas avanzadas de aprendizaje automático, mejorando la precisión diagnóstica en mamas densas y potencialmente mejorando la detección temprana del cáncer de mama y los resultados para las pacientes.