La tomografía computarizada (TC) es la modalidad de elección para evaluar la cavidad nasal canina, ofreciendo información crítica sobre la extensión de la enfermedad, facilitando la toma de muestras de tejido dirigidas e informando estrategias terapéuticas. Aunque los hallazgos de la TC pueden proporcionar indicaciones sobre el tipo de patología, existe una considerable superposición entre las enfermedades nasales neoplásicas, inflamatorias e infecciosas, lo que complica la diferenciación definitiva. En la medicina humana, los recientes avances en la detección asistida por computadora han aprovechado técnicas de aprendizaje automático y aprendizaje profundo para mejorar la identificación y clasificación de la patología intranasal con alta precisión. Este estudio tuvo como objetivo desarrollar un pipeline basado en redes neuronales para la detección y clasificación automatizada de la patología nasal en caninos utilizando imágenes de TC. Se curó un conjunto de datos que comprende 80 estudios de TC de la cabeza para el entrenamiento y validación del modelo. Cada estudio fue asignado a una de tres categorías: anatomía nasal normal, rinitis fúngica o neoplasia intranasal, y se segmentó manualmente para entrenar una serie de redes neuronales. El rendimiento se evaluó utilizando métricas de precisión estándar. El modelo entrenado demostró una precisión de clasificación del 86% en cortes de imagen aislados y una precisión de diagnóstico del 99% cuando se agregaron los cortes de un paciente dado. Estos hallazgos subrayan el potencial de los algoritmos de aprendizaje automático para diferenciar con precisión las patologías intranasales en caninos, destacando su aplicabilidad en la mejora de los flujos de trabajo diagnósticos y el avance de la imagenología veterinaria.