O câncer é uma doença que leva a cerca de 10 milhões de mortes por ano. Análises histopatológicas podem detectar tumores em tecidos, porém, podem ser mais rápidas utilizando a tecnologia de Whole Slide Imaging(WSI), que se trata da produção de imagens de altíssima resolução, em conjunto com Deep Learning, categoria de inteligência artificial que reconhece e aprende padrões em dados, resultando em diagnósticos rápidos que aumentam as taxas de sobrevivência. O objetivo do trabalho é analisar e quantificar Whole Slide Images derivadas de tumores utilizando uma Rede Neural Convolucional de Regressão(CNN-R), um modelo de Deep Learning especialmente desenvolvido para a análise de imagens, a fim de detectar tumores em tecidos, utilizou-se as bibliotecas TensorFlow, para a construção das camadas do modelo de Inteligência Artificial, e OpenSlide, para o recorte e conversão das imagens originais em parcelas de 256×256 em escala cinza a fim de um processamento e treinamento mais eficiente, na linguagem de programação Python, por sua facilidade e alta gama de bibliotecas para o desenvolvimento de ditos modelos de Inteligência Artificial, em conjunto com bancos de dados derivados do The Cancer Imaging Archive, banco de dados pertencente aos Estados Unidos da América que contém diversos tipos de imagens de tumores de diversas categorias, para esta pesquisa, de forma que o modelo foi treinado com porcentagens de tumor anexadas às imagens para prever a presença de câncer de forma regressiva. Os resultados obtidos mostram que é possível detectar e quantificar tumores em tecidos somando ambas tecnologias citadas anteriormente com uma margem de erro de 0.3% a 10%, com grande parte das margens de erro altas concentradas em imagens com alta presença de tumor. Conclui-se que modelos de Deep Learning, com o devido treinamento, podem oferecer um potencial significativo como auxílio em diagnósticos e análises mais precisas e rápidas no futuro tanto da medicina quanto diversas outras profissões que requerem a tomada de decisão humana.