Este documento investiga la categorización de imágenes de mamografías en categorías benignas, malignas y normales, proporcionando enfoques novedosos basados en Redes Neuronales Convolucionales Profundas para la identificación y clasificación temprana de lesiones mamarias. Se probaron múltiples modelos de DCNN para ver qué tan bien funcionaba el aprendizaje profundo para problemas de categorización difíciles y de múltiples clases. Estos modelos fueron entrenados en conjuntos de datos preprocesados con hiperparámetros optimizados (por ejemplo, el tamaño del lote, la tasa de aprendizaje y el abandono), lo que aumentó la precisión de la clasificación. Medidas de evaluación como matrices de confusión, precisión y pérdida demostraron su gran eficiencia de clasificación con bajo sobreajuste y los resultados de validación bien alineados con el entrenamiento. DenseNet-201 y MobileNet-V3 Large mostraron habilidades de generalización significativas, mientras que EfficientNetV2-B3 y NASNet Mobile lograron la mezcla óptima de precisión y eficiencia, haciéndolos adecuados para aplicaciones prácticas. El uso de aumento de datos también mejoró la gestión de desequilibrios en los datos, resultando en una detección a gran escala más precisa. A diferencia de enfoques anteriores, la combinación de las arquitecturas, los enfoques de preprocesamiento y el aumento de datos mejoró la precisión del sistema, indicando que estos modelos son adecuados para tareas de imagen médica que requieren aprendizaje por transferencia. Los resultados han mostrado clasificaciones precisas y exactas en términos de manejo de desequilibrios de clases y la mala calidad del conjunto de datos. En particular, no hemos definido un nuevo marco para el diagnóstico asistido por computadora aquí, pero hemos revisado una variedad de soluciones prometedoras para futuros desarrollos en este campo.