Ovarian cancer remains a leading cause of cancer-related mortality among women worldwide. Traditional diagnostic methods often lack the precision required for early detection and accurate subtype classification. In this study, we address the challenge of automating ovarian cancer diagnosis by introducing Attention-Based Models (ABMs) in combination with 3D Convolutional Neural Networks (CNNs). Our research seeks to enhance the accuracy and efficiency of ovarian cancer diagnosis, particularly in distinguishing between serous, mucinous, and endometrioid subtypes. Conventional diagnostic approaches are limited by their reliance on manual interpretation of medical images and fail to fully exploit the rich information present in MRI scans. The proposed work leverages ABMs to dynamically focus on critical regions in MRI scans, enabling enhanced feature extraction and improved classification accuracy. We demonstrate our approach on a well-curated dataset, OvaCancerMRI-2023, showcasing the potential for precise and automated diagnosis. Experimental results indicate superior performance in cancer subtype classification compared to traditional methods, with an accuracy of 94% and F1 score of 0.92. Our findings underscore the potential of ABMs and 3D CNNs in revolutionizing ovarian cancer diagnosis, paving the way for early intervention and more effective treatment strategies. In conclusion, this research marks a significant advancement in the realm of ovarian cancer diagnosis, offering a promising avenue for improving patient outcomes and reducing the burden of this devastating disease. The integration of ABMs and 3D CNNs holds substantial potential for enhancing the accuracy and efficiency of ovarian cancer diagnosis, particularly in subtyping, and may contribute to early intervention and improved patient care. El cáncer de ovario sigue siendo una de las principales causas de mortalidad relacionada con el cáncer entre las mujeres en todo el mundo. Los métodos de diagnóstico tradicionales a menudo carecen de la precisión necesaria para una detección temprana y una clasificación precisa de los subtipos. En este estudio, abordamos el desafío de automatizar el diagnóstico de cáncer de ovario mediante la introducción de modelos basados en la atención (ABM) en combinación con redes neuronales convolucionales (CNN) 3D. Nuestra investigación busca mejorar la precisión y eficiencia del diagnóstico del cáncer de ovario, particularmente al distinguir entre los subtipos serosos, mucinosos y endometrioides. Los enfoques de diagnóstico convencionales están limitados por su dependencia de la interpretación manual de imágenes médicas y no logran explotar completamente la rica información presente en las resonancias magnéticas. El trabajo propuesto aprovecha los ABM para centrarse dinámicamente en regiones críticas en exploraciones por resonancia magnética, lo que permite una mejor extracción de características y una mayor precisión de clasificación. Demostramos nuestro enfoque en un conjunto de datos bien seleccionado, OvaCancerMRI-2023, que muestra el potencial de un diagnóstico preciso y automatizado. Los resultados experimentales indican un rendimiento superior en la clasificación de subtipos de cáncer en comparación con los métodos tradicionales, con una precisión del 94 % y una puntuación F1 de 0,92. Nuestros hallazgos subrayan el potencial de los ABM y las CNN 3D para revolucionar el diagnóstico del cáncer de ovario, allanando el camino para una intervención temprana y estrategias de tratamiento más efectivas. En conclusión, esta investigación marca un avance significativo en el ámbito del diagnóstico del cáncer de ovario, ofreciendo una vía prometedora para mejorar los resultados de los pacientes y reducir la carga de esta devastadora enfermedad. La integración de ABM y CNN 3D tiene un potencial sustancial para mejorar la precisión y eficiencia del diagnóstico de cáncer de ovario, particularmente en la subtipificación, y puede contribuir a la intervención temprana y una mejor atención al paciente. O câncer de ovário continua sendo uma das principais causas de mortalidade relacionada ao câncer entre as mulheres em todo o mundo. Os métodos diagnósticos tradicionais muitas vezes carecem da precisão necessária para a detecção precoce e classificação precisa dos subtipos. Neste estudo, abordamos o desafio de automatizar o diagnóstico de câncer de ovário, introduzindo Modelos Baseados em Atenção (ABMs) em combinação com Redes Neurais Convolucionais 3D (CNNs). Nossa pesquisa busca aumentar a precisão e a eficiência do diagnóstico do câncer de ovário, particularmente na distinção entre os subtipos seroso, mucinoso e endometrioide. As abordagens convencionais de diagnóstico são limitadas pela sua dependência da interpretação manual de imagens médicas e não conseguem explorar plenamente a rica informação presente nos exames de ressonância magnética. O trabalho proposto aproveita os ABMs para focar dinamicamente em regiões críticas em exames de ressonância magnética, permitindo extração aprimorada de recursos e maior precisão de classificação. Demonstramos nossa abordagem em um conjunto de dados bem selecionado, OvaCancerMRI-2023, mostrando o potencial para diagnóstico preciso e automatizado. Resultados experimentais indicam desempenho superior na classificação de subtipos de câncer em comparação aos métodos tradicionais, com precisão de 94% e pontuação F1 de 0,92. Nossas...