Die präzise Kartierung von Informationen über biologische Moleküle auf die räumlichen Koordinaten von Gewebeschnitten ist entscheidend für die räumliche Multi-Omics-Analyse. Die Genauigkeit der Zellkernsegmentierung beeinflusst direkt die genaue Lokalisierung der Zielmoleküle. Die Vielfalt der Formen von Zellkernen, die Komplexität der Gewebestruktur und die Aggregation von Zellkernen führen jedoch zu Schwierigkeiten bei der Segmentierung, und die aktuellen Segmentierungsmethoden haben Schwierigkeiten, eine präzise Zellkernsegmentierung zu erreichen, was sich anschließend auf die Ergebnisse der räumlichen Multi-Omics-Analyse auswirkt. Zur Lösung dieses Problems wurde ein Netzwerk zur Zellkernsegmentierung FFVM-UKAN vorgeschlagen, das verschiedene Segmentierungseigenschaften und das Lernen zur Verbesserung der Frequenzbereiche integriert, die die erforderlichen präzisen Eigenschaften für die Zellkernsegmentierung innerhalb der oberflächlichen visuellen Module bestimmen, die zur Extraktion von Tiefeneigenschaften verwendet werden und zur Verfeinerung von Oberflächenmodul-Eigenschaften. Es wurde ein paralleles Lernmodul für den Frequenzbereich vorgeschlagen, um die erforderlichen präzisen Eigenschaften für die Zellkernsegmentierung zu erfassen und den Verbindungseffekt des Netzwerks zu verbessern. Diese Methode erreichte die Zellkernsegmentierung auf dem öffentlichen Datensatz MoNuSeg, mit mIoU- und Dice-Raten von jeweils 69,09% und 81,72% und erreichte 85,95% und 92,45% auf dem privaten Datensatz. Darüber hinaus zeigte die Effektivität des Gen-Zellkern-Mappings auf dem Humanleber-Datensatz von 10X Genomics eine Gen-Mapping-Genauigkeit von 90,63%. Die Ergebnisse zeigen, dass diese Methode in diesem Dokument eine gute Wirkung auf die Präzision der Zellkernsegmentierung und die Fähigkeit des Modells zur Verallgemeinerung hat und eine hohe Gen-Zellkern-Abbildungsgenauigkeit im Raum erreicht, was das Anwendungspotenzial dieser Methode in der räumlichen Multi-Omics-Analyse zeigt.

Segmentierung des Zellkerns; Verbesserung von Ebenen; Lernen zur Verbesserung von Frequenzbereichen; Kolmogorov-Arnold-Netzwerk