Die Klassifizierung von Mammogrammen ist direkt mit der computergestützten Diagnose von Brustkrebs verbunden. Traditionelle Methoden basieren auf Regionen von Interesse (ROIs), deren Annotation erhebliche Anstrengungen erfordert. Inspiriert durch den Erfolg der Verwendung tiefer Faltungsmerkmale für die Analyse natürlicher Bilder und des Multi-Instance-Learnings (MIL) zur Beschriftung einer Menge von Instanzen/Patches, schlagen wir tiefgreifende Multi-Instance-Netze vor, die für die Klassifizierung von Massen auf Basis des gesamten Mammogramms ohne die oben genannten ROIs trainiert werden. Wir untersuchen drei verschiedene Ansätze zur Konstruktion tiefer Multi-Instance-Netze für die Klassifizierung ganzer Mammogramme. Experimentelle Ergebnisse am INbreast-Datensatz zeigen die Robustheit der vorgeschlagenen Netze im Vergleich zu früheren Arbeiten, die Segmentierungs- und Detektionsannotations verwendet haben.