Brustkrebs ist nach Lungenkrebs die häufigste Krebsart bei Frauen. Er ist die häufigste krebsbedingte Todesursache und stellt weltweit ein Risiko dar. Das Erkennen von bösartigem Brustkrebs in einem frühen Stadium der Erkrankung verbessert die Überlebenschancen der Patientin und erhöht die Wahrscheinlichkeit erheblich, und die Nebenwirkungen der Behandlungen werden reduziert. Mammographie: Bislang war sie das nützlichste Instrument für das Screening der allgemeinen Bevölkerung. Aber nur Mammographie: Die genaue Erkennung und Diagnose einer Brustläsion auf der Grundlage klinischer Befunde ist schwierig und hängt weitgehend von der Expertise des Radiologen ab; dies führt zu einer großen Zahl falsch positiver Ergebnisse und erfordert zusätzliche Untersuchungen. Einige Modelle des maschinellen Lernens sind nicht geeignet, um die Krebsdiagnose zu beschleunigen. Sie wurden zur Vorhersage des Risikos der Entwicklung bösartiger oder gutartiger Tumore vorgeschlagen. Empfohlene Deep-Learning-Algorithmen: Unterscheidung zwischen normalem und abnormalem pathologischem Gewebe und Segmentierung. Sie spielen eine aktive Rolle bei der Diagnose durch Segmentierung. Literaturrecherchen ergaben: In dieser Studie wurden die Deep-Learning-Modelle ResNet50, VGG16, LeNet und AlexNet verwendet. Die Genauigkeitswerte wurden verglichen und in der Grafik dargestellt. Als Ergebnis der Bewertungen ist ResNet50 das Modell mit der höchsten Genauigkeitsrate und alle Die Genauigkeitsraten der Modelle variieren je nach ihren Architekturmerkmalen. wurden bewertet.