Il carcinoma alla mammella è la neoplasia più frequente nel mondo femminile con un tasso di mortalità che si attesta intorno al 17%. Il tasso di mortalità è strettamente legato alla tempestività con cui si effettua la diagnosi, tempi minori corrispondono a prognosi migliori. In ambito tecnologico, lo sviluppo del deep learning e in particolare delle CNN (convolutional neural network) ha fornito un ottimo strumento per la classificazione e la segmentazione di immagini. In questo lavoro di tesi si è sviluppato un sistema automatico per la caratterizzazione del carcinoma alla mammella in immagini istologiche basato su CNN capace di classificare il tessuto tra quattro classi: a) Normal b) Benign c) In-Situ d) Invasive. La classificazione di una eventuale neoplasia su più classi rispetto alla più semplice classificazione binaria (tumore si/no), permette di poter utilizzare sul paziente trattamenti clinici più mirati e specifici, con una ripercussione positiva sull’esito della terapia. In questo progetto si è deciso di adottare una strategia in particolare, aumentare le prestazioni del classificatore migliorando la qualità e il contenuto informativo delle immagini che vengono fornite in ingresso. La fase di pre-processing è composta da due step: la normalizzazione dello stain dell’immagine tramite un modello cycle-GAN e una estrazione smart delle aree (patch) che presentano un maggior contenuto informativo per ogni immagine. Il classificatore vero e proprio è stato ottenuto aggregando 3 differenti architetture: DenseNet201, DenseNet169 e Inception_ResNetV2; i risultati ottenuti dalla classificazione delle patch delle tre reti sono stati combinati ottenendo un valore per ogni patch e in una fase di post-processing è stato ottenuto il label dell’immagine di provenienza. Infine il sistema produce una rappresentazione in cui è possibile valutare grading e probabilità di appartenenza a una classe per ogni patch estratta da ciascuna immagine.