买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海大学;上海大学温州研究院

摘要：本发明涉及一种基于深度学习的拉曼光谱前列腺癌辅助诊断算法，属于肿瘤领域，提出了一个拉曼Transformer模型，命名为Raman‑Transformer，该模型将拉曼光谱数据点分割成块，并使用Transformer编码器来捕捉块之间的内部关联，并区分前列腺癌患者和前列腺增生患者。该基于深度学习的拉曼光谱前列腺癌辅助诊断算法，在输入原始拉曼光谱后，模型将输出癌变和非癌变的概率；该模型可以分为三个模块：Corp卷积层、Transformer编码器和多层感知器MLP。Corp卷积层用于通过分割、添加类别标记和线性投影来预处理输入的拉曼光谱数据，以获得适合Transformer编码器的输入。

主权项：1.一种基于深度学习的拉曼光谱前列腺癌辅助诊断算法，其特征在于，包括以下步骤：步骤1：收集血清样本，并制作血清拉曼光谱数据集；步骤2：光谱数据预处理并构建训练数据集，将上述数据集进行数据预处理，对每条拉曼光谱数据进行光谱重采样、基线校准和归一化处理，消除宇宙射线、荧光背景不稳定外界因素的影响，并生成用于机器学习的标准数据集；步骤3：将数据集送入设计的Raman-Transformer网络，训练前列腺癌诊断模型，对原始模型中的位置嵌入模块进行调整，并引入Corp卷积层来裁剪拉曼光谱；步骤4：被裁剪过的拉曼光谱数据被用作Transformer编码器模型的初始输入，遵循原始Transformer的架构，它由M个交替层组成，每层包括一个多头自注意力Multi-headSelf-attention模块和一个多层感知机MLP模块，每个模块还执行了层归一化LayerNormalization，简称LN和残差连接，经过M层之后，再次应用LNZM以获得Transformer编码器的输出y；步骤5：获得模型，在Transformer编码器的MLP中，序列经过两个全连接层，两层之间使用高斯误差线性单元GELU作为非线性激活函数；通过Transformer编码器获取到Raman光谱的内部特征和相关性后，类别标记从输出y中分离出来，并输入到与Transformer编码器中MLP相同架构的MLP中；这一过程用于获得最终的分类概率结果，模型公式如下；

全文数据：

权利要求：

百度查询： 上海大学 上海大学温州研究院 一种基于深度学习的拉曼光谱前列腺癌辅助诊断算法