Mapear com precisão as informações biomoleculares para as coordenadas espaciais das fatias de tecido é crucial para a análise multiômica espacial, sendo que a precisão da segmentação do núcleo celular determina diretamente a exatidão da localização das moléculas-alvo. No entanto, a diversidade morfológica dos núcleos celulares, a complexidade da estrutura dos tecidos e a agregação de núcleos dificultam a segmentação precisa, e os métodos atuais encontram dificuldades para alcançar uma segmentação precisa, afetando assim os resultados da análise multiômica espacial. Para abordar esses problemas, foi proposta a rede de segmentação de núcleos celulares FFVM-UKAN, que combina o refinamento hierárquico de características e o aprendizado reforçado no domínio da frequência, integrando profundamente um módulo superficial de espaço de estado visual para extração de características e uma rede tokenizada profunda Kolmogorov-Arnold para refinamento de características, além de propor um módulo paralelo de aprendizado no domínio da frequência para capturar características finas necessárias para a segmentação de núcleos celulares e reforçar o efeito das conexões de salto da rede. Este método foi implementado no conjunto de dados público MoNuSeg, alcançando mIoU e Dice de 69,09% e 81,72%, respectivamente, e 85,95% e 92,45% em um conjunto privado. Além disso, a eficácia do mapeamento de genes e núcleos celulares foi validada no conjunto de dados do fígado humano 10X Genomics, com precisão de mapeamento de 90,63%. Os resultados indicam que o método descrito neste artigo apresenta boa precisão na segmentação de núcleos celulares e capacidade de generalização do modelo, realizando um mapeamento de alta precisão dos genes e núcleos celulares espaciais, demonstrando o potencial de aplicação deste método na análise multiômica espacial.

Segmentação de núcleos celulares;Refinamento hierárquico de características;Aprendizado reforçado no domínio da frequência;Rede Kolmogorov-Arnold