El diagnóstico de imágenes de cáncer de mama basado en aprendizaje profundo es actualmente un área destacada y cada vez más popular de investigación. Los métodos existentes relacionados con redes neuronales convolucionales principalmente capturan características de imágenes de cáncer de mama basadas en características de dominio espacial para la clasificación. Sin embargo, según la teoría del procesamiento digital de señales, las imágenes de textura suelen contener patrones y estructuras repetidos, que aparecen como energía intensa en frecuencias específicas en el dominio de frecuencia. Motivados por esto, hacemos un intento de explorar una aplicación de clasificación de histopatología de cáncer de mama en el dominio de frecuencia y proponemos un nuevo espectro de red de atención de canal de múltiples ramas, es decir, el MbsCANet. Expande la interacción de los mecanismos de atención del dominio de frecuencia desde una perspectiva de múltiples ramas mediante la combinación de las características de frecuencia más bajas con información de alta frecuencia seleccionada de la transformada discreta del coseno bidimensional, evitando así la pérdida de información de fase y obteniendo información de contexto más rica para la clasificación. Evaluamos y analizamos exhaustivamente el MbsCANet en el conjunto de datos de histopatología de cáncer de mama BreakHis de acceso público. Logra respectivamente los resultados óptimos de clasificación a nivel de imagen y a nivel de paciente de 99.01% y 98.87%, superando en promedio de manera significativa a los modelos dominados por el dominio espacial, y los resultados de visualización también demuestran la efectividad del MbsCANet para esta aplicación de imágenes médicas.