تلعب الكشف عن الكتل في الصور الشعاعية للثدي دورًا حاسمًا كمرحلة ما قبل المعالجة لتقسيم الكتل وتصنيفها. يُعد الكشف عن الكتل في الصور الشعاعية للثدي مشكلة صعبة نظرًا لتباينها الكبير في الشكل والحجم والحدود والملمس، بالإضافة إلى نسبة الإشارة إلى الضوضاء المنخفضة مقارنةً بالأنسجة المحيطة بالثدي. في هذه الورقة، نقدم منهجية جديدة للكشف عن الكتل في الصور الشعاعية للثدي باستخدام سلسلة متعددة المراحل من فئات الشبكات العصبية العميقة وتصنيف العشوائية العشوائية (Random Forest). يتكون الفئة الأولى من شبكة عصبية عميقة متعددة المقاييس (Multi-scale Deep Belief Network) التي تُحدد المناطق المشبوهة لمعالجتها لاحقًا بواسطة سلسلة مكونة من مستويين من الشبكات العصبية التلافيفية العميقة (Deep Convolutional Neural Networks). ثم تُعالج المناطق التي تجاوزت تحليل الشبكات العصبية العميقة بواسطة سلسلة مكونة من مستويين من فئات العشوائية العشوائية التي تعتمد على ميزات هندسية وملمسية مستخرجة من المناطق المختارة على طول السلسلة. وأخيرًا، تُدمج المناطق التي تجاوزت السلسلة من فئات العشوائية العشوائية باستخدام تحليل المكونات المتصلة (Connected Component Analysis) لإنتاج نتائج تُعد من أفضل النتائج المُحققة في هذا المجال. كما نُظهر أن السلسلة المُقترحة من الشبكات العصبية العميقة وفئات العشوائية العشوائية فعالة في تقليل المناطق الكاذبة الإيجابية، مع الحفاظ على معدل عالٍ من الكشف الصحيح الإيجابي. تم اختبار نظام الكشف عن الكتل لدينا على مجموعتي بيانات متاحتين للعامة: DDSM-BCRP وINbreast. وقد حققت النتيجة النهائية للكشف عن الكتل باستخدام منهجيتنا أفضل النتائج على هذه المجموعات المتاحة، مع معدل كشف إيجابي صحيح قدره 0.96 ± 0.03 عند 1.2 منطقة كاذبة إيجابية لكل صورة في مجموعة INbreast، و0.75 عند 4.8 منطقة كاذبة إيجابية لكل صورة في مجموعة DDSM-BCRP.