تعتبر التحديد الدقيق لمعلومات الجزيئات الحيوية إلى إحداثيات الشريحة النسيجية أمرًا حاسمًا في تحليل العلوم المتعددة الفضائية ، حيث تحدد دقة تقسيم نواة الخلية موقع الجزيئات الهدف مباشرة. ومع ذلك ، فإن تنوع شكل نواة الخلية وتعقيد هيكل الأنسجة وتجمع النواة الخلوية وعوامل أخرى تجعل من الصعب تقسيم نواة الخلية ، ويصعب تحقيق ذلك بالطرق المتاحة حاليًا ، وبالتالي يؤثر على نتائج التحليل المتعددة الفضائية. في مواجهة المشكلة المذكورة أعلاه ، اقترحنا شبكة تقسيم نواة الخلية FFVM-UKAN التي تجمع بين تكامل التحسين التفصيلي للميزات وتعلم تعزيز التردد في الترويج عبر الطبقات. يستخدم هذا النهج وحدتين: وحدة مساحة الدولة البصرية السطحية الضحلة لاستخراج الميزات ووحدة شبكة Kolmogorov-Arnold العميقة لتحسين التفصيلات. كما اقترحنا وحدة تعلم التردد الموازي لالتقاط الميزات التفصيلية اللازمة لتقسيم نواة الخلية ، مما يعزز تأثير الاتصال القافز بالشبكة. حقق هذا النهج تقسيم نواة الخلية في مجموعة البيانات العامة MoNuSeg ، وبلغ متوسط للانحراف المعياري ومعامل دايس على التوالي 69.09% و 81.72% ، وصلت إلى 85.95% و 92.45% على مجموعة البيانات الخاصة. بالإضافة إلى ذلك ، قمنا بتحقق فائدة تصاعد الجين ونقش النواة الخلوية على مجموعة البيانات البشرية للكبد من 10X Genomics ، وأظهرت النتائج أن دقة تحقق الجين بلغت 90.63%. تشير النتائج المذكورة أعلاه إلى أن النهج المشار إليه في هذا النص له تأثير جيد في دقة تقسيم نواة الخلية وقدرة النموذج الشاملة ، وقد حقق تحقيق الإحمال الدقيق بين الجينات ونقاط النوى الخلوية في الفضاء الفضائي المتعدد ، مما يظهر إمكانيات تطبيق هذا النهج في تحليل العلوم المتعددة الفضائية.
关键词
تقسيم نواة الخلية ، تحسين تفاصيل الطبقة ، تعلم تعزيز التردد ، شبكة Kolmogorov-Arnold