Точное преобразование информации о биологических молекулах в координаты пространственного среза ткани - ключевой момент в многоуровневом анализе пространственной многомерной структуры. Точность сегментации ядра клетки напрямую определяет точность позиционирования целевой молекулы. Однако разнообразие форм ядра клетки, сложность структуры тканей и такие факторы, как агрегация ядер клеток, делают сегментацию ядра клетки проблематичной, и текущие методы сегментации затрудняют достижение точной сегментации ядер клеток, и, следовательно, влияют на результаты многоуровневого анализа пространственной многомерной структуры. Для решения вышеуказанных проблем предложена сеть сегментации ядра клетки FFVM-UKAN, которая объединяет детальные глубокие функции, используемые для извлечения характеристик визуального состояния поверхности, и глубокие оболочки Колмогорова-Арнольда, используемые для уточнения характеристик, а также предложен модуль параллельного обучения частот, обеспечивающий захват точных характеристик для сегментации необходимых деталей клеток и улучшение эффекта перехода связи в сети. Этот метод обеспечил эффективную сегментацию ядер клеток в открытом наборе данных MoNuSeg, в среднем IoU и коеффициент Dice составили 69,09% и 81,72% соответственно, а на частном наборе данных они были 85,95% и 92,45%. Кроме того, проведена проверка на основе данных 10X Genomics печени человека, которая показала эффективность по сопоставлению генов и ядер клеток, результаты показали точность сопоставления генов на уровне 90,63%. Указанные результаты свидетельствуют о том, что описанный в статье метод имеет хороший эффект в точности сегментации ядер клеток и обобщающей способности модели, обеспечивает точную карту гена и ядер клеток в пространственном многомерном анализе, что демонстрирует потенциал применения этого метода в многомерном пространственном анализе.

сегментация ядра клетки; детализация многоуровневых характеристик; увеличение частоты обучения; сеть Колмогоров-Арнольд