Thuong-Cang Phan

Introduction: Breast cancer continues to threaten millions of women globally, and early detection is essential for saving lives. However, inconsistencies in radiological interpretation and uncertainty in lesion assessment limit diagnostic reliability. This study proposes FGOOPNet, a fuzzy deep ensemble model designed to enhance mammographic breast cancer classification accuracy and decision transparency. Methods: Seven complementary CNN architectures, InceptionV3, ResNet-50V2, ResNet-152, DenseNet-121, DenseNet-201, VGG19, and Xception, were integrated into a unified ensemble framework using the Geometrically Optimum and Online Weighted Ensemble (GOOWE) strategy. GOOWE computes classifier weights through a geometrically optimal least-squares projection, assigning stronger influence to models with lower validation errors. To further refine decision boundaries and quantify predictive uncertainty, a Gaussian-based fuzzy inference module was applied to the ensemble outputs. The proposed system was evaluated on a hybrid dataset combining the public VinDr-Mammo database with an expert-annotated private cohort from regional hospitals, with performance assessed using accuracy, F1-score, and robustness under multiple experimental settings. Results: FGOOPNet achieved 98.4% accuracy and highly balanced F1-scores for both benign and malignant classes, outperforming individual CNN models and conventional ensemble techniques. The fuzzy inference layer improved reliability in borderline cases by filtering low-confidence predictions and reducing misclassification. Discussion: The results demonstrate that combining GOOWE weighting with fuzzy Gaussian reasoning enhances both predictive performance and interpretability. This uncertainty-aware mechanism helps address limitations in conventional CAD systems, particularly in heterogeneous breast tissue and visually ambiguous regions. Conclusion: FGOOPNet offers a robust and explainable solution for mammographic breast cancer classification, highlighting its potential for integration into clinical decision-support workflows. Future work will focus on extending the model to multi-modal imaging and large-scale multi-center validation.

Utilisation de filtres d’intersection et de différence pour l’optimisation des jointures à grande échelle et l’exécution de requêtes récursives à l’aide MapReduce: La communauté informatique a créé une quantité de données sans précédent grâce aux applications à grande échelle. Ces données massives sont considérées comme une mine d’or, ces informations n’attendant que la puissance de traitement sûre et appropriée à l’évaluation d’algorithmes d’analyse complexe. MapReduce est un des modèles de programmation les plus réputé, connu pour la gestion de ce type de traitement. Il est devenu un standard pour le traitement, l’analyse et la génération de grandes quantités de données en parallèle. Cependant, le modèle de programmation MapReduce souffre d’importantes limites pour des opérations non simples (scans ou regroupements simples), en particulier les traitements avec entrées multiples. Dans ce mémoire, nous étudions et optimisons l’évaluation, dans un environnement MapReduce, d’une des opérations les plus importantes et représentatives : la jointure. Notre travail aborde, en plus de la jointure binaire, des jointures complexes comme la jointure multidimensionnelle et la jointure récursive. Pour atteindre ces objectifs, nous proposons d’abord un nouveau type de filtre appelé filter d’intersection qui utilise un modèle probabiliste pour représenter une approximation de l’intersection des ensembles. Le filtre d’intersection est ensuite appliqué à l’opération de jointure bidirectionnelle pour éliminer la majorité des éléments non-joints dans des ensembles de données d'entrée, avant d’envoyer les données pour le processus de jointure. De plus, nous proposons une extension du filtre d’intersection pour améliorer l’efficacité de la jointure ternaire et de la jointure en cascade correspondant à un cycle de jointure avec plusieurs clés partagées lors de la jointure. Nous utilisons la méthode des multiplicateurs de Lagrange afin de réaliser un choix pertinent entre les différentes solutions proposées pour les jointures multidimensionnelles. Une autre proposition est le filtre de différence, une structure de données probabiliste formée pour représenter un ensemble et examiner des éléments disjoints. Ce filtre peut être appliqué à un grand nombre de problèmes, tels que la réconciliation, la déduplication, la correction d’erreur et en ce qui nous concerne la jointure récursive. Une jointure récursive utilisant un filtre de différence est effectuée comme une répétition de jointures en lieu et place d’une jointure et d’un processus de différenciation. Cette amélioration réduit de moitié le nombre de tâches effectuées et les associés tels que la lecture des données, la génération des données intermédiaires et les communications. Ceci permet notamment une amélioration de l’évaluation de l’algorithme semi-naïf et par conséquent l’évaluation des requêtes récursives en MapReduce. Ensuite, nous fournissons des modèles de coût généraux pour les jointures binaire, à n-aire et récursive. Grâce à ces modèles, nous pouvons comparer les algorithmes de jointure les plus représentatifs. Ainsi, nous pouvons montrer l’intérêt des filtres proposés, grâce notamment à la réduction des coûts E/S (entrée/ sortie) sur disque et sur réseau. De plus, des expérimentations ont été menées, montrant l’efficacité du filtre d’intersection par rapport aux solutions, en comparant en particulier des critères tels que la quantité de données intermédiaires, la quantité de données produites en sortie, le temps d’exécution et la répartition des tâches. Nos propositions pour les opérations de jointure contribuent à l’optimisation en général de la gestion de données à l’aide du paradigme MapReduce sur des infrastructures distribuées à grande échelle.