يعتبر تحديد مكان المعلومات الجزيئية الحيوية بدقة على شرائح الأنسجة أمرًا حاسمًا في التحليل الفضائي للمتعدد الجوانب ، حيث تحدد دقة تقسيم أنواع أنواع نواة الخلية موقع الجزيئات الهدفية مباشرة. ومع ذلك ، تسبب تنوع شكل نواة الخلية ، وتعقيد هيكل الأنسجة ، وعوامل أخرى مثل تجمع نواة الخلية صعوبة في تقسيم النواة الخلوية ، وبالتالي يصبح من الصعب على الطرق الحالية للتقسيم تحقيق تقسيم دقيق للنواة الخلوية ، مما يؤثر بشكل مباشر على نتائج التحليل الفضائي للمتعدد الجوانب. لحل هذه المشكلة المذكورة أعلاه ، وبالاعتماد على تكامل السمات التفصيلية وتعلم تعزيز التردد ، تم اقتراح شبكة تقسيم نواة الخلية FFVM-UKAN ، مع دمج عميق ذي أهمية قصوى لوحدة الحالة البصرية السطحية المستخدمة لاستخراج السمات والشبكة العميقة لمعالجة التشفير Kolmogorov-Arnold ، وتم اقتراح وحدة تعلم التردد الموازي لالتقاط الميزات الدقيقة اللازمة لتقسيم الخلايا لنواتها ، وتعزيز فعالية الاتصال القاطع للشبكة. تمكنت هذه الطريقة من تحقيق تقسيم فعال للنواة الخلوية على مجموعة بيانات MoNuSeg العامة ، وكانت معدلات التداخل المتوسط ​​وفاصلة النتن في الدرجة ترتيبياً 69.09٪ و 81.72٪ على التوالي ، وفي مجموعة بيانات خاصة تم التوصل إليها بنسبة 85.95٪ و 92.45٪. بالإضافة إلى ذلك ، تم التحقق من فعالية الرسم البياني وتصوير الخلايا الموجودة على مجموعة بيانات الكبد البشري من 10X Genomics ، وأظهرت النتائج تحقيق ارتفاع المعدل الدقيق للتصور للجينات بنسبة 90.63٪. تشير النتائج المذكورة أعلاه إلى أن الطريقة الموصوفة في هذا النص تتمتع بتأثير جيد في دقة تقسيم الخلايا النووية وقدرة النموذج العامة ، وقد تحقق التصور الدقيق للجينات وأنواع الخلايا في الفضاء ذي الأبعاد العالية ، مما يظهر الطريقة تطبيقية في التحليل الفضائي للمتعدد الجوانب.

تقسيم نواة الخلية ؛ تكامل السمات التفصيلية ؛ تعزيز التردد ؛ شبكة Kolmogorov-Arnold