La asignación precisa de la información biomolecular a las coordenadas espaciales de los cortes de tejido es clave para el análisis multi-ómico espacial, donde la precisión en la segmentación del núcleo celular determina directamente la exactitud en la localización de moléculas objetivo. Sin embargo, la diversidad morfológica de los núcleos, la complejidad de la estructura tisular y la agregación de núcleos dificultan la segmentación precisa, y los métodos actuales tienen dificultades para lograr una segmentación precisa, lo que afecta los resultados del análisis multi-ómico espacial. Para abordar estos problemas, se propone la red de segmentación de núcleos celulares FFVM-UKAN, que combina la refinación jerárquica de características y el aprendizaje potenciado en el dominio de la frecuencia, integrando profundamente un módulo de espacio visual superficial para la extracción de características y una red tokenizada profunda Kolmogórov-Arnold para la refinación de características, además de proponer un módulo paralelo de aprendizaje en el dominio de la frecuencia para capturar características finas necesarias para la segmentación de núcleos celulares y mejorar la efectividad de las conexiones skip en la red. Este método se implementó en el conjunto de datos público MoNuSeg, logrando mIoU y Dice de 69.09% y 81.72% respectivamente, y 85.95% y 92.45% en un conjunto privado. Además, se validó la efectividad del mapeo de genes y núcleos celulares en el conjunto de datos hepático humano 10X Genomics, con una precisión de mapeo del 90.63%. Los resultados muestran que el método descrito tiene un buen rendimiento en precisión de segmentación de núcleos celulares y capacidad de generalización del modelo, logrando un mapeo altamente preciso de genes espaciales y núcleos celulares, demostrando su potencial de aplicación en análisis multi-ómico espacial.

Segmentación de núcleos celulares;Refinamiento jerárquico de características;Aprendizaje potenciado en el dominio de la frecuencia;Red Kolmogórov-Arnold