Die Detektion von Massen aus Mammogrammen spielt eine entscheidende Rolle als Vorverarbeitungsstufe für die Segmentierung und Klassifikation von Massen. Die Erkennung von Massen in Mammogrammen gilt als herausforderndes Problem, da diese hinsichtlich Form, Größe, Randstruktur und Textur stark variieren und zudem ein niedriges Signal-zu-Rausch-Verhältnis im Vergleich zum umgebenden Brustgewebe aufweisen. In diesem Beitrag stellen wir einen neuartigen Ansatz zur Massendetektion in Mammogrammen vor, der eine Kaskade aus tiefen Lernmodellen und Random-Forest-Klassifikatoren nutzt. Der erste Klassifikator basiert auf einem mehrskaligen tiefen Glaubensnetzwerk (deep belief network), das verdächtige Regionen identifiziert, die anschließend durch eine zweistufige Kaskade aus tiefen konvolutionellen neuronalen Netzen weiter analysiert werden. Die Regionen, die diese tiefen Lernanalyse überstehen, werden anschließend durch eine zweistufige Kaskade von Random-Forest-Klassifikatoren verarbeitet, die morphologische und texturale Merkmale aus den selektierten Regionen entlang der Kaskade auswerten. Schließlich werden die verbleibenden Regionen mittels Analyse von zusammenhängenden Komponenten kombiniert, um Ergebnisse auf aktuellem Stand der Technik zu erzielen. Wir zeigen zudem, dass die vorgeschlagene Kaskade aus tiefem Lernen und Random Forest-Klassifikatoren effektiv zur Reduktion falsch positiver Regionen beiträgt, während gleichzeitig eine hohe Trefferquote (true positive rate) beibehalten wird. Wir haben unser Massendetektionssystem an zwei öffentlich verfügbaren Datensätzen getestet: DDSM-BCRP und INbreast. Die von unserem Ansatz erzielten Ergebnisse erreichen auf diesen Datensätzen die besten bisher veröffentlichten Werte: Eine Trefferquote von 0,96 ± 0,03 bei 1,2 falsch positiven Regionen pro Bild auf INbreast und eine Trefferquote von 0,75 bei 4,8 falsch positiven Regionen pro Bild auf DDSM-BCRP.