La cartographie précise des informations sur les molécules biologiques aux coordonnées spatiales des coupes de tissus est essentielle pour l'analyse multi-omique spatiale. La précision de la segmentation du noyau cellulaire affecte directement la localisation précise des molécules cibles. Cependant, la diversité des formes des noyaux cellulaires, la complexité de la structure tissulaire et l'agrégation des noyaux cellulaires créent des difficultés dans la segmentation, et les méthodes de segmentation actuelles ont du mal à réaliser une segmentation précise des noyaux cellulaires, ce qui affecte ensuite les résultats de l'analyse multi-omique spatiale. Pour résoudre ce problème, un réseau de segmentation des noyaux cellulaires FFVM-UKAN a été proposé, qui intègre différentes caractéristiques de segmentation et l'apprentissage de l'amélioration des domaines fréquentiels, déterminant les caractéristiques précises requises pour la segmentation du noyau cellulaire au sein des modules visuels de surface profonde, utilisés pour extraire des caractéristiques en profondeur et utilisés pour affiner les caractéristiques des modules de surface. Un module d'apprentissage parallèle de domaine fréquentiel a été proposé pour capturer les caractéristiques précises requises pour la segmentation du noyau cellulaire, améliorant l'effet de liaison du réseau. Cette méthode a réalisé la segmentation des noyaux cellulaires sur l'ensemble de données public MoNuSeg, avec des taux de mIoU et de Dice respectivement de 69,09% et 81,72%, et a atteint 85,95% et 92,45% sur l'ensemble de données privé. De plus, l'efficacité de l'appariement des gènes et des noyaux cellulaires sur l'ensemble de données 10X Genomics pour le foie humain a montré une précision de l'appariement des gènes de 90,63%. Les conclusions indiquent que cette méthode dans le présent document a un bon effet sur la précision de la segmentation des noyaux cellulaires et la capacité du modèle à généraliser, atteignant une haute précision de l'appariement des gènes et des noyaux cellulaires dans l'espace, démontrant le potentiel d'application de cette méthode dans l'analyse multi-omique spatiale.

Segmentation du noyau cellulaire; Amélioration des niveaux; Apprentissage de l'amélioration des domaines fréquentiels; Réseau Kolmogorov-Arnold