近日，上海大学通信与信息工程学院2018级硕士生费晓燕在导师施俊教授指导下，其论文“Doubly Supervised Parameter Transfer Classifier for Diagnosis of Breast Cancer with Imbalanced Ultrasound Imaging Modalities”被模式识别领域国际期刊Pattern Recognition（中科院一区，TOP，IF：7.740）录用。针对模态不平衡的乳腺B型超声（B-mode Ultrasound，BUS）图像和超声弹性（Elastography Ultrasound，EUS）图像的迁移学习问题，该论文提出一种将SVM+（Support Vector Machine Plus）算法和希尔伯特-施密特独立准则（Hilbert-Schmidt Independence Criterion，HSIC）集成到一个统一框架下的双重监督参数迁移分类器（Novel Doubly Supervised Parameter Transfer Classifier，DSPTC）模型，同时实现共享标签的成对数据和不同标签的不成对数据之间的迁移学习。
本文提出了一种如下图所示的新的双重监督参数迁移分类器（Novel Doubly Supervised Parameter Transfer Classifier，DSPTC），用于提高基于常规单模态B超的乳腺癌CAD模型的性能，算法将SVM+算法和HSIC准则集成到一个统一框架下，同时实现共享标签的成对超声数据和不同标签的不成对B超和EUS数据之间的迁移学习。针对具有共享标签的成对双模态数据，本文使用SVM+算法将EUS数据中的知识迁移至BUS，通过共享标签的引导，SVM+可以有效的提高知识的迁移效率；针对不成对数据的知识迁移，本文引入了HSIC准则，通过HSIC准则来提高预测标签和真实标签的相关性，以此来学习标签信息中隐藏的内在知识，实现不成对数据的有监督知识迁移。DSPTC能够充分利用模态不平衡数据中的标签信息挖掘数据内在的可迁移知识，并利用标签信息引导知识的迁移，有效提升了基于单模态B超的乳腺CAD的性能。实验结果表明了本文提出算法较传统迁移学习算法具有更为优异的迁移性能。
