Meme kanseri, akciğer kanserinden sonra en çok görülen kanser türü olup kadınlarda kansere bağlı ölümlerin önde gelen nedenidir ve küresel bir risk olmaya devam etmektedir. Kötü huylu bir meme kanserinin hastalığın erken evresinde tanınması, hastanın hayatta kalma şansını önemli ölçüde artırmakta ve tedavilerin ikincil etkilerini azaltmaktadır. Mamografi bugüne kadar genel nüfus taraması için en kullanışlı araç olmuştur. Ancak sadece mamografi bulgularına dayanarak bir meme lezyonunun doğru tespiti ve teşhisi zordur ve büyük ölçüde radyoloğun uzmanlığına bağlıdır; bu da çok sayıda yanlış pozitif sonuca ve ek incelemelere yol açmaktadır. Bazı makine öğrenimi modelleri kanser teşhisinde hız kazanmak adına kötü huylu veya iyi huylu tümör geliştirme risklerini tahmin etmek için önerilmiştir. Önerilen derin öğrenme algoritmaları; normal ve anormal patolojik dokular arasındaki ayrımı ve segmentasyonu yaparak tanı koymada etkin rol oynamaktadır. Yapılan literatür taramaları sonucu; bu çalışmada ResNet50, VGG16, LeNet, AlexNet derin öğrenme modelleri kullanılmış olup doğruluk değerleri kıyaslanmış ve grafik üzerinde gösterilmiştir. Yapılan değerlendirmeler sonucu, ResNet50 en yüksek doğruluk oranına sahip model olup tüm modellerin doğruluk oranları sahip oldukları mimari özellikler çerçevesinde değerlendirilmiştir.