Antecedentes: La identificación y tratamiento del cáncer de mama en una etapa temprana puede reducir la mortalidad. Actualmente, la mamografía es la técnica de imagen efectiva más utilizada en la detección del cáncer de mama. Sin embargo, una interpretación errónea de la mamografía puede resultar en una tasa de diagnóstico falso, ya que distinguir las masas cancerosas del tejido adyacente a menudo es complejo y propenso a errores. Métodos: Se evalúan seis arquitecturas de CNN profundas preentrenadas y ajustadas: VGG16, VGG19, MobileNetV2, ResNet50, DenseNet201 e InceptionV3 para determinar qué modelo ofrece el mejor rendimiento. Proponemos un modelo BreastNet18 utilizando VGG16 como base fundamental, ya que VGG16 tiene la mayor precisión. Se realiza un estudio de ablación en BreastNet18 para evaluar su robustez y lograr la mayor precisión posible. Se emplean diversas técnicas de procesamiento de imágenes con valores de parámetros adecuados para eliminar artefactos y aumentar la calidad de la imagen. Un conjunto de datos total de 1442 mamografías preprocesadas se amplió utilizando siete técnicas de aumento, resultando en un conjunto de datos de 11,536 imágenes. Para investigar posibles problemas de sobreajuste, se lleva a cabo una validación cruzada k-fold. El modelo se probó luego en mamografías ruidosas para evaluar su robustez. Los resultados se compararon con estudios anteriores. Resultados: El modelo BreastNet18 propuesto tuvo el mejor rendimiento con una precisión de entrenamiento del 96.72%, una precisión de validación del 97.91% y una precisión de prueba del 98.02%. En contraste, VGGNet19 obtuvo una precisión de prueba del 96.24%, MobileNetV2 77.84%, ResNet50 79.98%, DenseNet201 86.92% e InceptionV3 76.87%. Conclusiones: Nuestro enfoque propuesto basado en procesamiento de imágenes, aprendizaje por transferencia, ajuste fino y estudio de ablación ha demostrado una alta clasificación correcta del cáncer de mama al tratar con un número limitado de imágenes médicas complejas.