Para a conceção do trabalho descrito no ponto anterior é necessário realizar uma divisão do projeto em 4 fases distintas, de forma a poder responder as necessidades do mesmo. Numa primeira fase, será aprofundado o conhecimento dos conceitos relacionados com o projeto, bem como a sua análise e compreensão, de forma a preparar de forma mais assertiva as fases seguintes de trabalho. Ou seja, será realizado um levantamento de estado da arte relativo aos modelos baseados em deep learning e aos sistemas CAD. Será também realizado um estudo de técnicas de DataAugmentation e Pré-Processamento. Nesta primeira fase, será também realizada uma aprendizagem de python, das suas funcionalidades com os algoritmos de deep learning e das frameworks Keras e TensorFlow. A segunda fase de trabalhos consiste na definição da pipeline de testes do modelo, esta deverá ser previamente pensada, de forma, a estruturar todo o trabalho desenvolvido na terceira etapa do trabalho. Para isso, será inicialmente realizada a identificação das tecnologias a serem usadas nesta dissertação, tendo como base a pesquisa realizada na fase anterior. Serão tidas em conta as características das imagens a serem analisadas, os resultados obtidos em trabalhos anteriores, e qual a sua adaptabilidade ao problema. Após a seleção dos modelos, primeiramente, é necessário realizar a identificação de dados que deverão ser utilizados, ou seja, a seleção e adequação desses. Inicialmente será utilizada a base de dados INbreast. Esta será dividida em 3 parcelas, a de treino, a de validação e a parcela de teste. Esta tarefa tem como objetivo escolher os dados que são menos sensíveis a ruídos e que sejam mais facilmente manipulados. É neste momento que é feita a seleção dos dados que serão utilizados no treino do modelo e os dados para a realização de testes. A terceira fase consistirá no desenvolvimento da pipeline, primeiramente deverá ser implementada a estrutura base da mesma. De seguida será feita a implementação do modelo, onde será implementado um modelo intermutável, que se adapta à dimensão variável dos dados de entrada, seguindo, por exemplo, a estrutura de uma ResNet34. De seguida, prossegue-se para o treino do modelo. Esta é uma etapa de grande importância, uma vez que, é neste momento onde se identificam os parâmetros que minimizam o erro do algoritmo e que poderão ser ajustados em momentos posteriores. Por último, ainda nesta fase, será realizada a validação dos modelos anteriormente desenvolvidos. Que ocorre quase em paralelo com a fase anterior, uma vez que, se dos algoritmos anteriores resultar um erro demasiado elevado, é necessário recorrer a ajuste de parâmetros (hyperparameters), ou até mesmo uma revisão do modelo. A tecnologia desenvolvida deverá ser fortemente testada com diferentes tipos de imagens de mamografias, provenientes de diferentes equipamentos e avaliadas por diferentes clínicos, de forma a comprovar a robustez do sistema proposto. Na última fase, será realizada uma análise dos resultados obtidos, assim como a discussão dos mesmos. Por fim serão apresentadas possíveis melhorias futuras e será feita a redação final da dissertação.