مقدمه: در سال های اخیر علاقه به پژوهش در زمینه به کارگیری الگوریتم های هوشمند در تشخیص و طبقه بندی بیماری ها به ویژه سرطان، به شدت افزایش یافته است. طبقه بندی تومور یک کار مهم در تشخیص پزشکی محسوب می شود. روش های محاسبات نرم افزاری به دلیل عملکرد طبقه بندی آنها در تشخیص بیماری های پزشکی اهمیت زیادی دارند. تشخیص و طبقه بندی تصاویر پزشکی یک کار چالش برانگیز است. روش: کار برای تشخیص درجه بدخیمی سرطان پروستات و خوش خیم یا بد خیم بودن سرطان سینه از طبقه بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره گیری از کتابخانه کراس استفاده شده است. در مرحله آموزش، تصاویر آموزشی به همراه کلاس خروجی آن برای شبکه در نظر گرفته می شود. حین آموزش وزن های فیلتر در هر تکرار به روز می شوند. به-نحویکه بعد از چندین تکرار وزن های بهینه به روز می شوند و شبکه آموزش می بیند تا بهترین ویژگی را از تصاویر استخراج کند. نتایج: روش پیشنهادی در این تحقیق که بر پایه شبکه های عصبی عمیق است، با توجه به استخراج ویژگی های موثرتر و دقیق تر، دقت تشخیص 83/95 %و 5/99 %به ترتیب در سرطان سینه و سرطان پروستات را فراهم می آورد که نسبت به روش های موجود باعث افزایش بیش از 7% در دقت تشخیص گردیده است. نتیجه گیری: سرطان یکی از شایع ترین بیماری های پیش رونده در جهان است. سرطان در سلول ها آغاز می شود که پایه های ساختمانی اولیه هستند که بافت را تشکیل می دهند. یکی از چالش های موجود در تکنیک های تشخیص تصاویر پزشکی، مشکل در تجزیه و تحلیل بافت های متراکم است. با توجه به اینکه تشخیص توسط انسان زمان بر و دارای احتمال خطای بیشتری است، محققان در تلاش بوده اند تا با الگوریتم های مختلف تشخیص را به صورت اتوماتیک انجام دهند.