Las distrofias musculares presentan desafíos diagnósticos, requiriendo una clasificación precisa para un diagnóstico y tratamiento efectivos. Este estudio investiga la eficacia de metodologías de aprendizaje profundo en la clasificación de estos trastornos utilizando escáneres de resonancia magnética muscular esquelética. Específicamente, evaluamos el rendimiento de la arquitectura Swin Transformer (SwinT) frente a las redes neuronales convolucionales tradicionales (CNN) en distinguir entre individuos sanos, distrofia muscular de Becker (BMD) y pacientes con distrofia muscular de tipo 2 de cinturas y miembros (LGMD2). Además, se utilizaron escaneos de resonancia magnética de 3T de un conjunto de datos retrospectivo de 75 escaneos (de 54 sujetos), con protocolos multiparamétricos que capturan varios contrastes de resonancia magnética, incluyendo secuencias ponderadas en T1 y Dixon. El conjunto de datos incluyó 17 escaneos de voluntarios sanos, 27 de pacientes con BMD y 31 de pacientes con LGMD2. SwinT y las CNN fueron entrenadas y validadas utilizando un subconjunto del conjunto de datos, con el rendimiento evaluado en función de la precisión y la puntuación F. Los resultados indican la precisión superior de SwinT (0.96), especialmente al emplear imágenes de fracción de grasa (FF) como entrada; esto sirvió como un parámetro valioso para mejorar la precisión de la clasificación. A pesar de las limitaciones, incluido un tamaño de cohorte modesto, este estudio proporciona información valiosa sobre la aplicación de enfoques impulsados por IA para la clasificación precisa de trastornos neuromusculares, con posibles implicaciones para mejorar la atención al paciente.