本發(fā)明一般地涉及信息處理領域。具體而言，本發(fā)明涉及一種能夠對圖像中包含的對象進行檢測、定位、分類的方法和設備。

背景技術：

近年來，基于圖像的目標檢測和分析技術在各種領域中得到了迅猛的發(fā)展。例如，在醫(yī)療影像處理領域，可以基于輸入的圖像，分析組織和器官的病變情況，例如，檢測和分類肺部腫瘤等。

目前較為流行的處理方式是基于卷積神經網絡(cnn)的。cnn能夠自動選擇合適的特征進行提取，基于所提取的特征判斷圖像區(qū)域內是否存在目標物體以及目標物體的具體位置。

但是，cnn存在一些使用上的限制。例如，cnn需要針對給定的可能包含對象的矩形區(qū)域進行處理。以下為了方便理解，以腫瘤為對象進行描述，本領域技術人員通過閱讀以下的說明文字應能理解，本發(fā)明所涉及的對象不限于腫瘤。腫瘤的大小和形狀都是不確定的，如果設定較大矩形區(qū)域，則雖然可能完全包括腫瘤在內，但是也引入了相當多的非腫瘤區(qū)域，這會帶來對腫瘤的分類的干擾信息，即噪聲。另外，數據量的增大會帶來效率的降低。如果設定較小矩形區(qū)域，則雖然噪聲減少，但腫瘤可能不會完整地包含在矩形區(qū)域中，導致重要信息的丟失，對腫瘤分類結果造成影響，例如錯檢和漏檢。即便在理想情況下，矩形區(qū)域恰好包含完整的腫瘤，但腫瘤區(qū)域不是矩形的，所以仍然會引入非腫瘤信息，造成干擾。

此外，cnn還需要全連接層的輸入特征具有固定的長度。對象如腫瘤的大小不一、形狀各異，當通過cnn自動獲取特征時，可能會得到非固定長度 的特征向量。

本發(fā)明著眼于基于cnn進行對象的檢測和分類，但是能夠克服以上cnn的不利限制，提高對象分類的準確度。

技術實現要素：

在下文中給出了關于本發(fā)明的簡要概述，以便提供關于本發(fā)明的某些方面的基本理解。應當理解，這個概述并不是關于本發(fā)明的窮舉性概述。它并不是意圖確定本發(fā)明的關鍵或重要部分，也不是意圖限定本發(fā)明的范圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細描述的前序。

本發(fā)明的目的是提出了一種基于cnn的準確檢測和分類對象的方法和設備。

為了實現上述目的，根據本發(fā)明的一個方面，提供了一種對象分類方法，該對象分類方法包括：獲得包含對象的輸入圖像中的每一個塊的特征向量；基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域；合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量；以及根據所述合并向量，確定對象的種類。

根據本發(fā)明的另一個方面，提供了一種對象分類設備，該對象分類設備包括：特征向量獲得裝置，被配置為：獲得包含對象的輸入圖像中的每一個塊的特征向量；稀疏向量構建裝置，被配置為：基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域；稀疏向量合并裝置，被配置為：合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量；以及對象種類確定裝置，被配置為：根據所述合并向量，確定對象的種類。

另外，根據本發(fā)明的另一方面，還提供了一種存儲介質。所述存儲介質包括機器可讀的程序代碼，當在信息處理設備上執(zhí)行所述程序代碼時，所述 程序代碼使得所述信息處理設備執(zhí)行根據本發(fā)明的上述方法。

此外，根據本發(fā)明的再一方面，還提供了一種程序產品。所述程序產品包括機器可執(zhí)行的指令，當在信息處理設備上執(zhí)行所述指令時，所述指令使得所述信息處理設備執(zhí)行根據本發(fā)明的上述方法。

附圖說明

參照下面結合附圖對本發(fā)明的實施例的說明，會更加容易地理解本發(fā)明的以上和其它目的、特點和優(yōu)點。附圖中的部件只是為了示出本發(fā)明的原理。在附圖中，相同的或類似的技術特征或部件將采用相同或類似的附圖標記來表示。附圖中：

圖1示出了根據本發(fā)明的實施例的對象分類方法的流程圖。

圖2示出了根據本發(fā)明的實施例的對象分類設備的結構方框圖。

圖3示出了可用于實施根據本發(fā)明的實施例的方法和設備的計算機的示意性框圖。

具體實施方式

在下文中將結合附圖對本發(fā)明的示范性實施例進行詳細描述。為了清楚和簡明起見，在說明書中并未描述實際實施方式的所有特征。然而，應該了解，在開發(fā)任何這種實際實施方式的過程中必須做出很多特定于實施方式的決定，以便實現開發(fā)人員的具體目標，例如，符合與系統(tǒng)及業(yè)務相關的那些限制條件，并且這些限制條件可能會隨著實施方式的不同而有所改變。此外，還應該了解，雖然開發(fā)工作有可能是非常復雜和費時的，但對得益于本公開內容的本領域技術人員來說，這種開發(fā)工作僅僅是例行的任務。

在此，還需要說明的一點是，為了避免因不必要的細節(jié)而模糊了本發(fā)明，在附圖中僅僅示出了與根據本發(fā)明的方案密切相關的裝置結構和/或處理步驟，而省略了與本發(fā)明關系不大的其他細節(jié)。另外，還需要指出的是，在本 發(fā)明的一個附圖或一種實施方式中描述的元素和特征可以與一個或更多個其它附圖或實施方式中示出的元素和特征相結合。

下面將參照圖1描述根據本發(fā)明的實施例的對象分類方法的流程。

圖1示出了根據本發(fā)明的實施例的對象分類方法的流程圖。如圖1所示，根據本發(fā)明的實施例的對象分類方法包括如下步驟：獲得包含對象的輸入圖像中的每一個塊的特征向量(步驟s1)；基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域(步驟s2)；合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量(步驟s3)；以及根據所述合并向量，確定對象的種類(步驟s4)。

在步驟s1中，獲得包含對象的輸入圖像中的每一個塊的特征向量。

本發(fā)明的基本思想是通過在塊的級別上對輸入圖像進行分析，使得無論對象的大小、形狀如何，都可以只取得組成對象的塊，從而精確地構建對象區(qū)域。因此，cnn所要求的給定矩形區(qū)域只需要是包含對象的輸入圖像本身。cnn提取出的特征向量與輸入圖像中的每一個塊對應。

由于cnn具有自動選擇合適特征的能力，因此，可以利用cnn的卷積層，進行這一獲得步驟s1。

本發(fā)明中利用的cnn的卷積層和目前已有的cnn模型，如alex網絡中的卷積層的網絡結構和參數相同。

另外，cnn能夠根據輸入圖像的大小將其切分為適當大小的塊。

但是，步驟s1中獲得的特征向量是塊的特征向量，因此是局部信息，并不是包含完整對象的信息，因此，在后面的步驟s2、s3中，獲得代表完整對象且不包含過多噪聲信息的合并向量。

具體地，在步驟s2中，基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域。

步驟s2的目的是為了獲知哪些塊屬于對象所在的區(qū)域，從而針對構成對象所在的區(qū)域的塊進行整合處理。

采取的做法是預先定義一個字典，以用于對塊是否屬于對象所在的區(qū)域進行判斷。該預定義的字典由屬于訓練用輸入圖像的對象區(qū)域的塊的特征向量與屬于訓練用輸入圖像的非對象區(qū)域的塊的特征向量組成。這里應注意，構建預定義字典時提及的屬于對象區(qū)域的塊和屬于非對象區(qū)域的塊是訓練用輸入圖像中的塊。相應地，屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量是從訓練用輸入圖像中提取的。提取的方式也是通過cnn網絡的卷積層。優(yōu)選地，從訓練用輸入圖像中隨機選取相同數量的屬于對象區(qū)域的塊和屬于非對象區(qū)域的塊。也就是說，預定義的字典中一半的特征向量是屬于對象區(qū)域的塊的特征向量，另一半的特征向量是屬于非對象區(qū)域的塊的特征向量。

舉例來說，字典可以包括1024個特征向量，其中，512個特征向量對應于對象所在的區(qū)域，512個特征向量對應于非對象區(qū)域。

另外，字典的每一列是一個特征向量。字典的列數是稀疏向量的維度，字典的行數是特征向量的維數。

有了字典，就可以對步驟s1中獲得的特征向量進行稀疏表示，將其轉換為稀疏向量。進而，可以根據稀疏向量，對輸入圖像進行分割，即分為基于塊的對象區(qū)域和非對象區(qū)域。

基于字典，根據特征向量，構建對應的稀疏向量的公式如下所示。

其中，yi表示稀疏向量，||||²表示求二范數，d表示預定義的字典，xi表示特征向量，||||0表示求0范數，即作為約束條件，要求yi中的非零元素的個數最小。

通過上述公式，能夠將特征向量轉換為稀疏向量，并且稀疏向量中僅有少量元素不為零。

在字典為包括1024個特征向量且512個特征向量對應于對象所在的區(qū)域同時512個特征向量對應于非對象區(qū)域的字典時，稀疏向量為1024長度(維)的向量。該稀疏向量與塊的特征向量對應。并且，該稀疏向量中的每一個元素對應于字典中的一個特征向量。另外，稀疏向量的維數應比特征向量的維數大，優(yōu)選地，稀疏向量的維數為特征向量維數的幾十倍。

稀疏向量的與預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數表明對應塊是否屬于對象所在的區(qū)域。

具體地，當稀疏向量的與預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數大于預定第一閾值時，稀疏向量對應的塊屬于對象所在的區(qū)域。否則，稀疏向量對應的塊不屬于對象所在的區(qū)域。

或者，當稀疏向量的與預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數占稀疏向量的非零元素的總數的比例大于預定第二閾值時，稀疏向量對應的塊屬于對象所在的區(qū)域。否則，稀疏向量對應的塊不屬于對象所在的區(qū)域。

這樣，基于預定義的字典，能夠確定輸入圖像的各個塊中哪些塊屬于對象所在的區(qū)域，并且獲得了這些塊的稀疏向量。也就是說，至步驟s2，實現了對象的自動檢測。下面，通過合并這些塊的稀疏向量，得到了代表對象所在區(qū)域的向量。

在步驟s3中，合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量。

合并的方法包括但不限于：將屬于對象所在區(qū)域的塊對應的稀疏向量求和，求和結果作為所述合并向量。這種求和式合并的方法的優(yōu)點在于對象如腫瘤有大有小，通過求和可以保留關于對象大小的信息。與之相比，加和求平均的方法會失去關于對象大小的信息。

另外，通過加和方式得到的合并向量，可以以累加的方式綜合各個稀疏向量的信息，類似于投票，因此更有魯棒性，可靠性更高。

合并的方法還可以是：將屬于對象所在區(qū)域的塊對應的稀疏向量求平 均，求平均的結果作為所述合并向量。對于不需要對象大小的信息的應用場景，求平均的方法也是適用的。

可見，至步驟s3，實現了對象的自動定位。

在步驟s4中，根據所述合并向量，確定對象的種類。

具體地，可以利用cnn的全連接層，進行步驟s4中的確定。

如上所述，稀疏向量具有固定的長度，所以合并向量也具有固定的長度。因此，符合cnn對固定長度特征的需求。

對象的種類根據具體的應用情形來確定。例如，當對象是腫瘤時，對象的種類可以包括良性腫瘤和惡性腫瘤。

應理解：全連接層的最后一層的神經元的個數等于對象的種類的數目。

另外，全連接層的其它網絡結構與已有cnn網絡，如alex網絡的相應部分相同。在訓練階段，可以通過已經標注對象類別的數據訓練全連接層的參數。在應用階段，通過全連接層可以直接輸出對象的類別。

可見，至步驟s4，實現了對象的自動分類。

可以理解，對象不限于上述例示的腫瘤，對象也可以是其它適用的目標。例如，對象可以是細胞，對象的種類可以是細胞的類型。或者，對象是細菌，對象的種類是細菌的類型等。只需相應調整訓練用圖像即可。

下面，將參照圖2描述根據本發(fā)明的實施例的對象分類設備。

圖2示出了根據本發(fā)明的實施例的對象分類設備的結構方框圖。如圖2所示，根據本發(fā)明的對象分類設備200包括：特征向量獲得裝置21，被配置為：獲得包含對象的輸入圖像中的每一個塊的特征向量；稀疏向量構建裝置22，被配置為：基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域；稀疏向量合并裝置23，被配置為：合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量；以及對象種類確定裝置24，被配置為：根據所述合并向量，確定對象的種類。

在一個實施例中，所述預定義的字典由屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量組成，所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數表明對應塊是否屬于對象所在的區(qū)域。

在一個實施例中，當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數大于預定第一閾值時，對應塊屬于對象所在的區(qū)域。

在一個實施例中，當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數占所述稀疏向量的非零元素的總數的比例大于預定第二閾值時，對應塊屬于對象所在的區(qū)域。

在一個實施例中，所述屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量從訓練用輸入圖像獲得。

在一個實施例中，從訓練用輸入圖像中隨機選取相同數量的屬于對象區(qū)域的塊和屬于非對象區(qū)域的塊。

在一個實施例中，所述稀疏向量合并裝置23被進一步配置為：將屬于對象所在區(qū)域的塊對應的稀疏向量求和，求和結果作為所述合并向量。

在一個實施例中，所述稀疏向量合并裝置23被進一步配置為：將屬于對象所在區(qū)域的塊對應的稀疏向量求平均，求平均的結果作為所述合并向量。

在一個實施例中，所述特征向量獲得裝置21利用卷積神經網絡的卷積層實現。

在一個實施例中，所述對象種類確定裝置24利用所述卷積神經網絡的全連接層實現。

在一個實施例中，所述全連接層的最后一層的神經元的個數等于所述對象的種類的數目。

在一個實施例中，所述對象包括腫瘤，所述對象的種類包括良性腫瘤和 惡性腫瘤。

由于在根據本發(fā)明的對象分類設備200中所包括的各個裝置和單元中的處理分別與上面描述的對象分類方法中所包括的各個步驟中的處理類似，因此為了簡潔起見，在此省略這些裝置和單元的詳細描述。

此外，這里尚需指出的是，上述設備中各個組成裝置、單元可以通過軟件、固件、硬件或其組合的方式進行配置。配置可使用的具體手段或方式為本領域技術人員所熟知，在此不再贅述。在通過軟件或固件實現的情況下，從存儲介質或網絡向具有專用硬件結構的計算機(例如圖3所示的通用計算機300)安裝構成該軟件的程序，該計算機在安裝有各種程序時，能夠執(zhí)行各種功能等。

圖3示出了可用于實施根據本發(fā)明的實施例的方法和設備的計算機的示意性框圖。

在圖3中，中央處理單元(cpu)301根據只讀存儲器(rom)302中存儲的程序或從存儲部分308加載到隨機存取存儲器(ram)303的程序執(zhí)行各種處理。在ram303中，還根據需要存儲當cpu301執(zhí)行各種處理等等時所需的數據。cpu301、rom302和ram303經由總線304彼此連接。輸入/輸出接口305也連接到總線304。

下述部件連接到輸入/輸出接口305：輸入部分306(包括鍵盤、鼠標等等)、輸出部分307(包括顯示器，比如陰極射線管(crt)、液晶顯示器(lcd)等，和揚聲器等)、存儲部分308(包括硬盤等)、通信部分309(包括網絡接口卡比如lan卡、調制解調器等)。通信部分309經由網絡比如因特網執(zhí)行通信處理。根據需要，驅動器310也可連接到輸入/輸出接口305。可拆卸介質311比如磁盤、光盤、磁光盤、半導體存儲器等等可以根據需要被安裝在驅動器310上，使得從中讀出的計算機程序根據需要被安裝到存儲部分308中。

在通過軟件實現上述系列處理的情況下，從網絡比如因特網或存儲介質比如可拆卸介質311安裝構成軟件的程序。

本領域的技術人員應當理解，這種存儲介質不局限于圖3所示的其中存 儲有程序、與設備相分離地分發(fā)以向用戶提供程序的可拆卸介質311?？刹鹦督橘|311的例子包含磁盤(包含軟盤(注冊商標))、光盤(包含光盤只讀存儲器(cd-rom)和數字通用盤(dvd))、磁光盤(包含迷你盤(md)(注冊商標))和半導體存儲器。或者，存儲介質可以是rom302、存儲部分308中包含的硬盤等等，其中存有程序，并且與包含它們的設備一起被分發(fā)給用戶。

本發(fā)明還提出一種存儲有機器可讀取的指令代碼的程序產品。所述指令代碼由機器讀取并執(zhí)行時，可執(zhí)行上述根據本發(fā)明的實施例的方法。

相應地，用于承載上述存儲有機器可讀取的指令代碼的程序產品的存儲介質也包括在本發(fā)明的公開中。所述存儲介質包括但不限于軟盤、光盤、磁光盤、存儲卡、存儲棒等等。

在上面對本發(fā)明具體實施例的描述中，針對一種實施方式描述和/或示出的特征可以以相同或類似的方式在一個或更多個其它實施方式中使用，與其它實施方式中的特征相組合，或替代其它實施方式中的特征。

應該強調，術語“包括/包含”在本文使用時指特征、要素、步驟或組件的存在，但并不排除一個或更多個其它特征、要素、步驟或組件的存在或附加。

此外，本發(fā)明的方法不限于按照說明書中描述的時間順序來執(zhí)行，也可以按照其他的時間順序地、并行地或獨立地執(zhí)行。因此，本說明書中描述的方法的執(zhí)行順序不對本發(fā)明的技術范圍構成限制。

盡管上面已經通過對本發(fā)明的具體實施例的描述對本發(fā)明進行了披露，但是，應該理解，上述的所有實施例和示例均是示例性的，而非限制性的。本領域的技術人員可在所附權利要求的精神和范圍內設計對本發(fā)明的各種修改、改進或者等同物。這些修改、改進或者等同物也應當被認為包括在本發(fā)明的保護范圍內。

附記

1.一種對象分類方法，包括：

獲得包含對象的輸入圖像中的每一個塊的特征向量；

基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域；

合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量；以及

根據所述合并向量，確定對象的種類。

2.如附記1所述的方法，其中，所述預定義的字典由屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量組成，所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數表明對應塊是否屬于對象所在的區(qū)域。

3.如附記2所述的方法，當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數大于預定第一閾值時，或者當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數占所述稀疏向量的非零元素的總數的比例大于預定第二閾值時，對應塊屬于對象所在的區(qū)域。

4.如附記2所述的方法，其中，所述屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量從訓練用輸入圖像獲得。

5.如附記4所述的方法，其中，從訓練用輸入圖像中隨機選取相同數量的屬于對象區(qū)域的塊和屬于非對象區(qū)域的塊。

6.如附記1所述的方法，其中，所述合并屬于對象所在區(qū)域的塊對應的稀疏向量包括：

將屬于對象所在區(qū)域的塊對應的稀疏向量求和，求和結果作為所述合并向量。

7.如附記1所述的方法，其中，所述合并屬于對象所在區(qū)域的塊對應的稀疏向量包括：

將屬于對象所在區(qū)域的塊對應的稀疏向量求平均，求平均的結果作為所述合并向量。

8.如附記1所述的方法，其中，利用卷積神經網絡的卷積層，進行所述獲得步驟，并且利用所述卷積神經網絡的全連接層，進行所述確定步驟。

9.如附記8所述的方法，其中，所述全連接層的最后一層的神經元的個數等于所述對象的種類的數目。

10.如附記1所述的方法，其中，所述對象包括腫瘤，所述對象的種類包括良性腫瘤和惡性腫瘤。

11.一種對象分類設備，包括：

特征向量獲得裝置，被配置為：獲得包含對象的輸入圖像中的每一個塊的特征向量；

稀疏向量構建裝置，被配置為：基于預定義的字典，構建與每一個塊的特征向量對應的稀疏向量，所述稀疏向量的非零元素的分布表明對應塊是否屬于對象所在的區(qū)域；

稀疏向量合并裝置，被配置為：合并屬于對象所在區(qū)域的塊對應的稀疏向量，以得到表明對象所在區(qū)域的合并向量；以及

對象種類確定裝置，被配置為：根據所述合并向量，確定對象的種類。

12.如附記11所述的設備，其中，所述預定義的字典由屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量組成，所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數表明對應塊是否屬于對象所在的區(qū)域。

13.如附記12所述的設備，當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數大于預定第一閾值時，或者當所述稀疏向量的與所述預定義的字典中屬于對象區(qū)域的塊的特征向量對應的非零元素的個數占所述稀疏向量的非零元素的總數的比例大于預定第二閾值時，對應塊屬于對象所在的區(qū)域。

14.如附記12所述的設備，其中，所述屬于對象區(qū)域的塊的特征向量與屬于非對象區(qū)域的塊的特征向量從訓練用輸入圖像獲得。

15.如附記14所述的設備，其中，從訓練用輸入圖像中隨機選取相同數量的屬于對象區(qū)域的塊和屬于非對象區(qū)域的塊。

16.如附記11所述的設備，其中，所述稀疏向量合并裝置被進一步配置為：

將屬于對象所在區(qū)域的塊對應的稀疏向量求和，求和結果作為所述合并向量。

17.如附記11所述的設備，其中，所述稀疏向量合并裝置被進一步配置為：

將屬于對象所在區(qū)域的塊對應的稀疏向量求平均，求平均的結果作為所述合并向量。

18.如附記11所述的設備，其中，所述特征向量獲得裝置利用卷積神經網絡的卷積層實現，并且所述對象種類確定裝置利用所述卷積神經網絡的全連接層實現。

19.如附記18所述的設備，其中，所述全連接層的最后一層的神經元的個數等于所述對象的種類的數目。

20.如附記11所述的設備，其中，所述對象包括腫瘤，所述對象的種類包括良性腫瘤和惡性腫瘤。