Este documento presenta la convolución dinámica como una alternativa al proceso de escalado de imágenes que se utilizará en redes neuronales convolucionales preentrenadas, específicamente cuando se prueba con la red de estado del arte en la detección de embolia pulmonar en la angiografía pulmonar por tomografía computarizada, PENet. Dada la relevancia de este problema en el campo clínico y los resultados reportados por los autores de PENet, busca mitigar los efectos negativos de perder información en el proceso de escalado de imágenes, tratando de no aumentar el tamaño de la red y aprovechando el entrenamiento ya realizado. Los datos clínicos, al ser datos con el más alto nivel de sensibilidad, no son comúnmente de libre acceso, y la mayoría de esos datos disponibles no tienen etiquetas generadas por expertos. Se utilizaron datos publicados por la Sociedad Radiológica de América del Norte, con los que se observó que PENet todavía no generaliza adecuadamente el problema de detección, un escenario que se transfiere al aplicar la convolución dinámica, sin embargo, se propone una métrica que permite determinar si el orden basado en las probabilidades asignadas por la red a cada estudio clínico es adecuado, más allá de una métrica de clasificación basada en un umbral. Finalmente, el algoritmo de asignación de activación de clases se modifica para interpretar gráficamente el resultado al aplicar la convolución dinámica.