由中国科学院沈阳自动化研究所副研究员丛杨设计的基于群稀疏约束的深度特征选择模型，以Deep Sparse Feature Selection for Computer Aided Endoscopy Diagnosis为题，近期在Elsevier知名期刊Pattern Recognition上发表(DOI:10.1016/j.patcog.2014.09.010)，这也标志着沈阳自动化所在医学影像分析研究方面取得新进展。

面向实时医学影像的计算机辅助病灶诊断问题，所提取的图像特征往往维度较高、各特征维度间存在冗余和非相关信息，会对识别结果造成干扰，降低诊断的准确性。针对这一问题，沈阳自动化所副研究员丛杨设计了基于群稀疏约束的深度特征选择模型。与传统特征选择模型不同的是，该模型在选取有效特征子集的同时，还为每一维特征赋予相应的权重，提高了算法的可扩展性，该方法不仅有效剔除了干扰特征对于诊断结果的影响，还提高了算法的执行效率。

该成果也可用于数据挖掘和机器学习领域，解决因大数据所产生的高维特征冗余和干扰问题。该研究成果以Deep Sparse Feature Selection for Computer Aided Endoscopy Diagnosis为题，近期在Elsevier知名期刊Pattern Recognition上发表(DOI:10.1016/j.patcog.2014.09.010)。该研究获得国家科技支撑计划和国家自然科学基金的支持。Pattern Recognition 是模式识别领域最知名的2个国际期刊之一，5年平均影响因子 3.153。（机器人学研究室）