امروزه سرطان سینه به عنوان یکی از عمده ترین علل مرگ و میر ناشی از سرطان، در زنان شناخته شده است. تشخیص صحیح بافت های سرطانی بر اساس تصاویر در درمان این بیماری به منظور اقدامات اولیه، قبل از پیشرفت بیماری اهمیت بالایی دارد. روش های مختلفی برای تشخیص این نوع بیماری وجود دارد که در این بین تحلیل تصاویر تشدید مغناطیسی یک روش کلینیکی گسترده و کمکی برای سایر روش ها مانند ماموگرافی و اولتراسوند می باشد. یکی از ابزارهای پرکاربرد برای تشخیص ضایعات بیماری های مختلف استفاده از شبکه های عصبی کانولوشنی در فرآیند استخراج ویژگی از تصاویر تشدید مغناطیسی بوده است. نتایج نشان می دهد که این شبکه های عصبی کانولوشنی نرخ تشخیص بالایی را ارائه می دهد که کاملاً خودکار هستند و به عنوان یکی از روش های اساسی در یادگیری عمیق، باعث ایجاد تحلیل و طبقه بندی با در نظر گرفتن تغییر پذیری قابل اطمینانی برای تصاویر تشدید مغناطیسی می باشد. در این پایان نامه هدف اصلی تشخیص ضایعات سرطان سینه به دو دسته ی خوش خیم و بدخیم در تصاویر تشدید مغناطیسی است. به همین منظور، استفاده از شبکه خود رمزنگار در ترکیب با شبکه عصبی کانولوشنی با معماری ResNetپیشنهاد شده است که موجب بهبود عملکرد شبکه به میزان قابل توجهی بوده است. تصاویر مورد استفاده در این پایان نامه از پایگاه داده QIN به عنوان بانک اطلاعاتی تصاویر سرطان سینه به دست آمده است. نتایج نشان داد که شبکه خود رمزنگار توانایی بهبود کارآیی شبکه عصبی کانولوشن به منظور کاهش نویزرا دارد و درنهایت منجر به دقت تشخیص نمونه های خوش خیم و بدخیم این بیماری به میزان 65/97 % شده است.
