La red neuronal convolucional profunda (DCNN) supervisada fuertemente tiene un mejor rendimiento en la evaluación del cáncer de mama (BC) debido a las características más precisas de la segmentación a nivel de corte en comparación con la segmentación a nivel de imagen de la DCNN débilmente supervisada. Sin embargo, la segmentación precisa a nivel de corte manual es costosa y consume mucho tiempo. Además, el diagnóstico a nivel de corte adoptado en el sistema DCNN es incompleto y defectuoso debido a la falta de información de otros cortes. En este artículo, estudiamos el impacto de la región de interés (ROI) y el diagnóstico multi-corte a nivel de lesión en el sistema de diagnóstico auxiliar de la DCNN. Primero, propusimos un algoritmo de crecimiento de región mejorado para generar una ROI precisa a nivel de corte. En segundo lugar, adoptamos el método de ponderación promedio como criterio de diagnóstico a nivel de lesión después de explorar cuatro métodos de ponderación diferentes. Finalmente, propusimos nuestro sistema completo, que combinaba la red convolucional densamente conectada (DenseNet) con la ROI a nivel de corte y el diagnóstico a nivel de lesión mediante ponderación promedio después de evaluar el rendimiento de cinco DCNN. El sistema propuesto logró un AUC de 0.958, una precisión del 92.5%, una sensibilidad del 95.0% y una especificidad del 90.0%. Los resultados experimentales mostraron que nuestro sistema propuesto tuvo un mejor rendimiento en el diagnóstico de BC debido a la ROI más precisa y a la información más completa de los cortes múltiples.