Las redes neuronales convolucionales (CNN) en el aprendizaje profundo tienen limitaciones de píxeles de entrada, lo que conduce a la pérdida de información sobre microcalcificaciones cuando las imágenes de mamografía se comprimen. Segmentar imágenes en parches conserva la resolución original al ingresarlas en la CNN y permite identificar la ubicación de la calcificación. Este estudio tuvo como objetivo desarrollar un método de detección de calcificaciones mamográficas utilizando aprendizaje profundo mediante la clasificación de la presencia de calcificación en la mama. Utilizando datos públicamente disponibles, se segmentaron 212 mamografías de 81 mujeres en parches de 224 x 224 píxeles, produciendo 15,049 parches. Estos fueron clasificados visualmente para calcificación y divididos en cinco subconjuntos para entrenamiento y evaluación utilizando validación cruzada de cinco pliegues, asegurando consistencia de imagen. Se utilizaron ResNet18, ResNet50 y ResNet101 para el entrenamiento, cada uno de los cuales creó un clasificador de calcificación de dos clases. El clasificador ResNet18 logró una precisión general del 96.0%, precisión de mamografía del 95.8%, un área bajo la curva (AUC) de 0.96 y un tiempo de procesamiento de 0.07 s. Los resultados de ResNet50 indicaron una precisión general del 96.4%, precisión de mamografía del 96.3%, un AUC de 0.96 y un tiempo de procesamiento de 0.14 s. Los resultados de ResNet101 indicaron una precisión general del 96.3%, precisión de mamografía del 96.1%, un AUC de 0.96 y un tiempo de procesamiento de 0.20 s. Este método desarrollado ofrece una clasificación rápida y precisa de la calcificación y una visualización eficiente de las ubicaciones de calcificación.