Se presenta un flujo de trabajo de dos etapas para detectar y monitorear tumores en el seno humano con una técnica basada en dispersión inversa. La Etapa 1 implica una red neuronal de inferencia de parámetros a granel sin fase que recupera la geometría y la permitividad de la región fibroglandular del seno. Los parámetros a granel se utilizan para la calibración y como información previa para la Etapa 2, una inversión de fuente de contraste de fase completa de los datos de medición, para detectar regiones de alta permitividad compleja relativa en el seno basadas en una geometría general del tejido asumida conocida. Demostramos la capacidad del flujo de trabajo para recuperar la geometría y la permitividad a granel de las regiones fibroglandulares de diferentes tamaños, y para detectar y localizar tumores de varios tamaños y ubicaciones dentro del modelo de seno. Los resultados preliminares muestran promesas para que una red de Etapa 1 entrenada de forma sintética se aplique a datos experimentales y proporcione información previa de calidad en situaciones prácticas de imagenología.