سرطان پستان یکی از شایع ترین سرطان ها در زنان است. ماموگرافی غربال گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به کار می رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم های کمک یار (CAD) ساخته شده اند که نرم افزارهایی هستند که می توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت های نرم افزاری و سخت افزاری اخیر که منجر به تکامل الگوریتم های یادگیری عمیق (DL) گردیده، انقلابی در رشته های مختلف مهندسی و همچنین فناوری های پزشکی به وجود آمده است. اخیرا، مدل های DL در سیستم های کمک یار ماموگرافی مورد استفاده قرار گرفته اند و به عملکرد بالایی دست پیدا کرده اند. روش های DL برخلاف روش های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان بر مهندسی ویژگی ها ندارند و می توانند به طور خودکار، ویژگی های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم های DL، شبکه عصبی کانولوشنال (CNN) می باشد. برای تشخیص ضایعات سرطانی در ماموگرام، CNN باید در یک الگوریتم مبتنی بر ناحیه مانند R-CNN، Fast R-CNN، Faster R-CNN و YOLO به کار گرفته شود. برای آموزش مدل های DL، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک یار با دقت بالا، ضروری می باشد. این مقاله با هدف گردآوری وضعیت بهره مندی و پیشرفت های تکنولوژی یادگیری عمیق در سیستم های کمک یار ماموگرافی نوشته شده است.