La Enfermedad de Parkinson (EP) es un trastorno neurológico degenerativo, que no tiene cura y no distingue edad. La EP se caracteriza por un daño al sistema nervioso central que provoca la caída de los niveles de dopamina causando temblores, rigidez muscular y pérdida del equilibrio. Para contrarrestar estos síntomas motores se utilizan medicamentos que imitan la acción de la dopamina, sin embargo, se ha demostrado que el consumo prolongado de estos medicamentos puede resultar en efectos secundarios negativos en los pacientes, tales como desórdenes parkinsonianos que incluyen apatía y los trastornos de control de impulsos (ICD). No obstante, aún existe dificultad en determinar las regiones cerebrales asociados a estos desórdenes. Se desarrolló una metodología que permite detectar automáticamente las regiones del cerebro que permitan llegar a un diagnóstico respecto a la presencia de desórdenes parkinsonianos utilizando imágenes de resonancia magnética (IRM) en conjunto con técnicas de aprendizaje profundo en 3D. Se realizaron variados experimentos con diferentes arquitecturas del estado del arte de visión por computador (CV) como Swin-Transformer, Compact Convolutional Transformer (CCT) y MeshNet. De los cuales el CCT superó, alcanzando una precisión mayor al 97% para analizar imágenes de resonancia magnética y clasificar los desórdenes parkinsonianos. Por último, utilizando el algoritmo de interpretabilidad Guided Backpropagation se obtuvo una visualización de las regiones cerebrales activadas en la detección de los desórdenes Parkinsonianos, lo que permite a los médicos e investigadores tener una comprensión más profunda de la anatomía y el funcionamiento cerebral de los pacientes con estos desórdenes.