El tejido mamario denso es un factor significativo que aumenta el riesgo de cáncer de mama. Los enfoques actuales de clasificación de la densidad mamográfica no pueden proporcionar suficiente precisión en la clasificación. Sin embargo, sigue siendo un problema difícil clasificar la densidad mamaria. Este artículo propone TwoViewDensityNet, un método basado en aprendizaje profundo de extremo a extremo para la clasificación de la densidad mamaria mamográfica. Las vistas craniocaudal (CC) y mediolateral oblicua (MLO) de la mamografía de detección proporcionan dos vistas diferentes de cada mama. Dado que las dos vistas son complementarias, y los métodos basados en vistas duales han demostrado ser eficientes, utilizamos dos vistas para la clasificación mamaria. La función de pérdida juega un papel clave en el entrenamiento de un modelo profundo; empleamos la función de pérdida focal porque se enfoca en aprender casos difíciles. El método fue evaluado minuciosamente en dos conjuntos de datos públicos utilizando validación cruzada de 5 pliegues, y logró un rendimiento general (puntuación F de 98.63%, AUC de 99.51%, precisión de 95.83%) en DDSM y (puntuación F de 97.14%, AUC de 97.44%, precisión de 96%) en INbreast. La comparación muestra que TwoViewDensityNet supera a los métodos de vanguardia para clasificar la densidad mamaria en la clase BI-RADS. Ayuda a los proveedores de atención médica a proporcionar a los pacientes información más precisa y ayudará a mejorar la precisión diagnóstica y la fiabilidad de la evaluación de la densidad mamaria mamográfica en la atención clínica.