Mapear con precisión la información de las moléculas biológicas en las coordenadas espaciales de las secciones de tejido es fundamental para el análisis multi-ómico espacial. La precisión de la segmentación del núcleo celular afecta directamente la localización precisa de las moléculas diana. Sin embargo, la diversidad de formas de los núcleos celulares, la complejidad de la estructura del tejido y la agregación de núcleos celulares crean dificultades en la segmentación, y los métodos de segmentación actuales tienen dificultades para lograr una segmentación precisa de los núcleos celulares, lo que afecta posteriormente los resultados del análisis multi-ómico espacial. Para resolver este problema, se ha propuesto una red de segmentación de núcleos celulares FFVM-UKAN, que integra diversas características de segmentación y el aprendizaje de mejora de dominios frecuenciales, que determinan las características precisas requeridas para la segmentación del núcleo celular dentro de los módulos visuales superficiales, utilizados para extraer características en profundidad y utilizados para refinar las características de los módulos superficiales. Se propuso un módulo paralelo de aprendizaje de dominio de frecuencia para capturar las características precisas requeridas para la segmentación del núcleo celular, mejorando el efecto de conexión de la red. Este método logró la segmentación de núcleos celulares en el conjunto de datos público MoNuSeg, con tasas de mIoU y Dice respectivamente del 69,09% y 81,72%, y alcanzó el 85,95% y 92,45% en el conjunto de datos privado. Además, la eficacia de la coincidencia de genes y núcleos celulares en el conjunto de datos 10X Genomics para el hígado humano mostró una precisión de la coincidencia de genes del 90,63%. Las conclusiones indican que este método en el presente documento tiene un buen efecto en la precisión de la segmentación de núcleos celulares y en la capacidad del modelo para generalizar, logrando una alta precisión en la coincidencia de genes y núcleos celulares en el espacio, demostrando el potencial de aplicación de este método en el análisis multi-ómico espacial.

Segmentación del núcleo celular; Mejora de niveles; Aprendizaje de mejora de dominios de frecuencia; Red Kolmogorov-Arnold