Die genaue Vorhersage und Analyse von Krebserkrankungen spielt eine entscheidende Rolle bei der Verbesserung der Patientenergebnisse und der Behandlungsplanung. In dieser Dissertation wird das Modell für die Vorhersage und Analyse von Krebs mithilfe von Deep-Learning-Algorithmen, insbesondere künstlichen neuronalen Netzen (ANN) und Convolutional Neural Networks (CNN), unter Verwendung von PET/CT-Bildern entwickelt. Das System zielt darauf ab, die Genauigkeit und Effizienz der Krebsdiagnose zu verbessern und wertvolle Erkenntnisse für Behandlungsentscheidungen zu liefern. Das System nutzt die Leistungsfähigkeit von Deep-Learning-Modellen, von denen bekannt ist, dass sie wertvolle Informationen über den Krebsstoffwechsel und anatomische Strukturen liefern. Durch das Training von CNN-Modellen auf einem großen Datensatz kommentierter PET/CT-Bilder kann das System lernen, Muster und Merkmale zu erkennen, die auf Krebsregionen hinweisen. Um die Genauigkeit des Systems zu bewerten, werden Leistungskennzahlen wie Intersection over Union (IoU) und F-measure verwendet. IoU misst die Überlappung zwischen den vorhergesagten Krebsregionen und den Grundannotationen, während F-measure das Gleichgewicht zwischen Präzision und Recall der Vorhersagen bewertet. Diese Metriken liefern quantitative Maße für die Leistung des Systems.