In diesem Artikel präsentieren wir eine neuartige tiefe neuronalen Netzwerkarchitektur, die einen Transfer-Learning-Ansatz beinhaltet und durch das Fixieren und Verketten aller Schichten bis zur Block4-Pool-Schicht des vortrainierten VGG16-Modells (auf unterer Ebene) mit den Schichten eines zufällig initialisierten, naiven Inception-Block-Moduls (auf höherer Ebene) entstanden ist. Zusätzlich wurden Batch-Normalisierung, Flatten-, Dropout- und Dense-Schichten in die vorgeschlagene Architektur integriert. Unser Transfer-Netzwerk, das als VGGIN-Net bezeichnet wird, ermöglicht die Übertragung von Domänenwissen aus dem umfangreichen ImageNet-Objektdatensatz auf den kleineren und unbalancierten Brustkrebs-Datensatz. Um die Leistung des vorgeschlagenen Modells zu verbessern, wurde Regularisierung mittels Dropout und Datenaugmentierung eingesetzt. Eine detaillierte, blockweise Feinabstimmung wurde auf der vorgeschlagenen tiefen Transfer-Netzwerk-Architektur für Bilder mit unterschiedlichen Vergrößerungsfaktoren durchgeführt. Die Ergebnisse umfangreicher Experimente zeigen eine signifikante Verbesserung der Klassifizierungsleistung nach Anwendung der Feinabstimmung. Die vorgeschlagene tiefe Lernarchitektur mit Transfer-Learning und Feinabstimmung erreicht gegenüber anderen state-of-the-art-Ansätzen die höchsten Genauigkeiten bei der Klassifizierung des BreakHis-Brustkrebs-Datensatzes. Die präzise Architektur ist so gestaltet, dass sie effektiv auf andere Brustkrebs-Datensätze übertragen werden kann.