سرطان سینه شایع ترین سرطان در بین زنان است و دومین عامل مرگ و میر آن ها محسوب می شود. در حال حاضر هیچ راه موثری برای پیش گیری از سرطان سینه وجود ندارد اما تشخیص به موقع این سرطان در مراحل اولیه ی پیشرفتِ آن می تواند شانس بیمار را برای درمان و زنده ماندن افزایش دهد. سیستم های شناسایی و تشخیص به کمک کامپیوتر (cad) به رادیولوژیست ها کمک می کنند تا بتواند توده ها را از روی تصاویر ماموگرافی در مراحل اولیه تشخیص دهد. در این پژوهش پس از پیش پردازش به استخراج نواحی مشکوک پرداخته می شود. با استفاده از الگوی باینری محلی ویژگی ها از نواحی مشکوک استخراج می شود. این ویژگی ها به یک ماشین بردار پشتیبان داده می شود تا نواحی مشکوک به دو دسته، بافت نرمال و توده تقسیم شوند. اگر ناحیه مشکوک، توده تشخیص داده شود آن گاه برای تشخیص خوش خیمی و بدخیمی آن، دسته ی دوم ویژگی ها از طریق ماتریس هم اتفاقی استخراج می شوند. ویژگی هایی که از ماتریس هم اتفاقی استخراج می شوند به دسته بندی کننده ی ترکیبی rotation forest داده می شوند. از مجموعه داده mias برای ارزیابی روش پیشنهادی استفاده شده است. دقت 94.17 درصدی این روش نشان دهنده ی قدرت ویژگی های بافت در شناسایی و تشخیص توده ها می باشد.