El progreso reciente en el aprendizaje profundo (DL) ha revivido el interés en los sistemas de detección o diagnóstico asistido por computadora (CAD) basados en DL para la detección de cáncer de mama. Los enfoques basados en parches son una de las técnicas más avanzadas para la clasificación de imágenes de mamografía 2D, pero están intrínsecamente limitados por la elección del tamaño del parche, ya que no hay un tamaño de parche único que se adapte a todos los tamaños de lesiones. Además, el impacto de la resolución de la imagen de entrada en el rendimiento aún no se comprende completamente. En este trabajo, estudiamos el impacto del tamaño del parche y la resolución de la imagen en el rendimiento del clasificador para mamografías 2D. Para aprovechar las ventajas de diferentes tamaños de parches y resoluciones, se proponen un clasificador de múltiples tamaños de parches y un clasificador de múltiples resoluciones. Estas nuevas arquitecturas realizan una clasificación a múltiples escalas combinando diferentes tamaños de parches y resoluciones de imágenes de entrada. El AUC se incrementa en un 3% en el conjunto de datos público CBIS-DDSM y en un 5% en un conjunto de datos interno. En comparación con un clasificador de un solo tamaño de parche y una sola resolución de referencia, nuestro clasificador a múltiples escalas alcanza un AUC de 0,809 y 0,722 en cada conjunto de datos.