今日医学图像分割最新论文精读追踪

今日结论

今天 arXiv 在 2026-05-10 到 2026-05-11 新增了多篇医学图像分割相关预印本；去重后，最值得关注的是一篇跨域 few-shot segmentation 方法论文 GeoProto，以及一篇非常贴近 U-Net / nnU-Net 工程实践的轻量化选择论文 XTinyU-Net。整体趋势是：一方面继续围绕跨域泛化、少标注和 foundation model 适配展开，另一方面也开始重新审视“标准 U-Net/nnU-Net 经合理缩放是否比复杂轻量模块更有效”。

检索说明

今天优先检索了 arXiv 2026-05-01 至 2026-05-13 的 medical image segmentation、segmentation + medical/CT/MRI、polyp segmentation、Mamba + medical image segmentation、nnUNet + segmentation 等查询，并参考了论文 PDF 正文、arXiv 元数据与官方代码链接可达性。当天没有检索到已正式标注为 MICCAI/CVPR/ICCV/ECCV/NeurIPS/ICLR/AAAI/IJCAI/ISBI 或顶刊接收的全新分割论文，因此今日入选均为 2026 年 arXiv preprint；两篇均满足“2025 年及以后”要求。已检查历史推荐记录并排除了重复论文；本次跳过的历史推荐候选包括 ZScribbleSeg、Topology-Constrained Quantized nnUNet、One Sequence to Segment Them All、Sharpening Lightweight Models for Generalized Polyp Segmentation 等。

论文 1：Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation

基本信息

标题：Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation
作者 / 第一作者：Feifan Song, Yuntian Bo, Haofeng Zhang / 第一作者 Feifan Song
时间：2026-05-11
来源：arXiv preprint, arXiv:2605.10885v1
论文页面链接：https://arxiv.org/abs/2605.10885
PDF 文件 / PDF 链接：https://arxiv.org/pdf/2605.10885v1 （已下载：MEDIA:/tmp/medseg_daily_20260513/geometry_prototype.pdf）
代码链接：https://github.com/FeifanSong/Geoproto （页面可访问；论文正文写作 https://github.com/FeifanSong/Geoproto.git）
任务：Cross-domain few-shot medical image segmentation；1-way 1-shot 设置；跨模态、跨序列、跨上下文分割
数据集：Abdominal CT（MICCAI 2015 Multi-Atlas Labeling Challenge）、Abdominal MRI（ISBI 2019 CHAOS T2-SPIR）、Cardiac b-SSFP / LGE（MICCAI 2019 Multi-sequence Cardiac MR Segmentation Challenge）、MI-PMR prostate MRI、Chest X-Ray、ISIC2018
方法类型：prototype-based few-shot segmentation；geometry-aware prototype enrichment；domain generalization / cross-domain few-shot

paper-deep-reader 精读结果

1. 一句话结论

GeoProto 的核心价值在于把“器官从边界到中心的 ordinal geometry”显式注入 few-shot prototype matching，使跨模态/跨序列时的 support-query 匹配不只依赖容易受域偏移影响的外观特征，而多了一个来自 mask、无需额外标注的结构锚点。

2. 研究背景与核心问题

论文研究 cross-domain few-shot medical image segmentation（CD-FSMIS）：模型在源域 base categories 上 episodic 训练，推理时要在未见过的目标域和 novel categories 上，仅用少量 support mask 分割 query。这个问题比普通医学图像分割更贴近临床现实：不同医院、扫描仪、模态、序列和解剖区域带来强 domain shift，而逐任务重新标注和训练代价很高。论文的 paper map 可概括为：它研究 CD-FSMIS；主要动作是从 support mask 构造 distance-to-boundary ordinal strata，并通过 Ordinal Shape Branch 与 Geometry-Aware Prototype Enrichment 给 local prototypes 加几何偏移；作者声称这能在跨模态、跨序列、跨上下文 setting 中超过 RobustEMD、FAMNet、C-Graph 等方法；证据主要来自 7 个数据集、3 类跨域评估和消融；关键风险是“几何结构跨个体/跨病灶稳定”这个假设在形态变异强、病灶边界不规则或非器官目标上可能失效。

3. 现有方法不足

作者认为现有 FSMIS / CD-FSMIS 方法的问题不是没有 prototype，而是 prototype 主要由 encoder 特征平均或局部聚合得到，容易把 anatomy structure 和 domain-specific appearance 混在一起。RobustEMD、FAMNet、C-Graph 等跨域方法通过纹理抑制、频带匹配或 prototype graph 减轻 domain shift，但论文指出这类“抑制域特征”的思路可能同时损失关键结构信息。GeoProto 的替代视角是：不要只压制域差异，而要引入一个跨域更稳定的匹配坐标系，即 organ boundary-to-centroid 的几何层级。

4. 方法总览

论文路线为 method-algorithm，证据重点是 experimental-eval、ablation-and-mechanism-isolation、robustness-and-ood。整体框架如下：

使用共享 ResNet-101 backbone 编码 support image 和 query image，得到特征 F^s, F^q ∈ R^{C×h×w}。
对 support mask 计算 Euclidean distance-to-boundary transform（EDT），并把前景像素从边界到中心均匀量化为 K 个 ordinal bins；bin 0 近边界，bin K-1 近中心。
Ordinal Shape Branch（OSB）从 support feature 预测每个前景像素的 bin distribution，并用前景 cross-entropy 加 ordinal distance penalty 训练，使预测的几何 embedding 随距离层级平滑、单调变化。
Geometry-Aware Prototype Enrichment（GAPE）把 support feature map 划成 G×G 局部网格，每个有效前景 cell 做 masked-average pooling 得到 local appearance prototype。
对每个 cell 计算其期望 ordinal stratum \bar d_i = mean_x Σ_k k p_k(x)，再经两层 MLP ϕ(\bar d_i/(K-1)) 得到 C 维几何 offset e_i。
enriched prototype 为 p'_i = p_i^fg + e_i；背景 prototype 不做几何增强，因为背景没有 organ-interior geometry。
query pixel 用 softmax-weighted cosine similarity 与 enriched foreground prototypes、background prototypes 匹配，输出 segmentation mask。
总 loss 包括 query segmentation CE、bidirectional prototype alignment loss，以及 λ_geo L_OSB。

5. 核心模块拆解

EDT ordinal bin construction：输入是 support binary mask，输出是每个前景像素的离散几何层级 Z ∈ {0,…,K-1}。它解决的是 prototype 不知道“来自器官边缘还是中心”的问题。创新不在 EDT 本身，而在把 EDT 变成 few-shot prototype 的显式结构条件。
Ordinal Shape Branch（OSB）：输入 support feature，输出 K-bin logits / distribution。L_cls 只看 bin 分类是否正确，L_dist 按预测 bin 与真实 bin 的 ordinal gap 加权，鼓励相邻层级的平滑过渡。这个模块的创新点较明确，尤其是把 ordinal consistency 用作结构监督；但它依赖 support mask 质量，mask 噪声或边界粗糙会直接影响几何监督。
Geometry-Aware Prototype Enrichment（GAPE）：输入 local appearance prototype 和该 cell 的 expected stratum，输出 enriched prototype。它通过加法 offset 改变 prototype feature space，使外观相似但几何位置不同的局部 prototype 被区分开。对 U-Net / nnU-Net 主干不是即插即用，因为它服务于 prototype matching；但对 few-shot、prompt-based 或 memory-prototype segmentation 框架很有迁移价值。
Bidirectional alignment regularizer：用 query 预测 mask 反过来 segment support，稳定 feature space。作者刻意不在 alignment 分支用 geometry enrichment，以避免 GAPE 与 alignment 的循环依赖。
是否适合 polyp segmentation / 3D segmentation：对普通 supervised polyp segmentation 的直接价值有限，因为息肉形态、遮挡、扁平病灶和边界不规则会削弱“同类目标有稳定 interior strata”的假设；但对 few-shot polyp、跨中心 colonoscopy domain shift 或 prototype-based polyp adaptation 可借鉴。3D segmentation 中 EDT 可以自然推广到 3D distance transform，但计算和 memory-prototype 设计需重做。

6. 实验设计与结果

实验覆盖三类设置：

Cross-modality：Abdominal CT ↔ MRI，器官包括 liver、left kidney、right kidney、spleen。GeoProto 在 CT→MRI mean DSC 69.45%，MRI→CT mean DSC 69.65%；相较 C-Graph 在 CT→MRI 的 67.38% 有小幅提升，在 MRI→CT 相较 C-Graph 67.20% 也有提升。
Cross-sequence：Cardiac LGE ↔ b-SSFP。GeoProto 在 LGE→b-SSFP mean DSC 74.23%，与 C-Graph 74.20% 基本持平；在 b-SSFP→LGE mean DSC 67.10%，高于 C-Graph 63.33% 和 FAMNet 61.39%。
Cross-context：训练于 Abdominal CT，测试到 CXR、ISIC、Cardiac b-SSFP MRI、MI-PMR。GeoProto 在 CXR、Cardiac b-SSFP、MI-PMR 上表现较强，例如 MI-PMR mean DSC 61.24%，高于 C-Graph 50.10%；但在 ISIC 上 47.45% 低于 C-Graph 50.42%。

消融方面，作者比较 baseline、位置编码 PE、Geo-E without OSB-L、OSB-L without Geo-E 和完整模型。完整模型在 Abdominal MRI 上 69.45%，比 baseline 63.01% 提升 6.44；在 Cardiac b-SSFP 上 61.03%，比 baseline 45.59% 提升 15.44。K-bin 消融显示 K=10 综合最好；fusion mode 中 additive fusion 整体优于 concat projection 和 scale gate。效率表显示 GeoProto 43.4M 参数，test latency 12.87ms，低于 FAMNet 22.72ms 和 C-Graph 147.39ms。

7. 实验可信度判断

可信之处：数据集和 transfer settings 覆盖面较广；baseline 包括 RobustEMD、FAMNet、C-Graph 等 CD-FSMIS 相关方法；消融不是只删一个模块，而是验证了 geometry prior、OSB-L、bin 数量、fusion mode 和复杂度。尤其 Fig. 3 对 EDT bin 分布和 support-query Bhattacharyya coefficient 的分析，直接回应了“几何是否稳定”的核心假设。

需要谨慎之处：第一，所有结果都是 1-way 1-shot，尚不清楚多 shot、不同 support 采样方差和更真实临床 episode 下是否稳定；第二，主要指标是 DSC，缺少统计显著性检验和置信区间；第三，geometry prior 对高度变形病灶、术后结构、肿瘤浸润边界、扁平息肉等目标未被充分验证；第四，backbone 使用 MS-COCO 初始化 ResNet-101，和现代 MedSAM / SAM2 / DINO / Mamba 类 backbone 的关系还没展开。

8. 与主流医学图像分割框架的关系

U-Net / nnU-Net：GeoProto 不是经典 encoder-decoder 全监督框架，也不是 nnU-Net recipe 改进；它关注 few-shot prototype matching。可借鉴的是 geometry-aware local prototype，而不是整体替代 nnU-Net。
MedNeXt / CNN segmentation：可把其思想用于 CNN feature prototype 或 memory bank，使 CNN 特征带上边界-中心结构条件。
UNETR / Swin-UNet / TransUNet / TransFuse：论文当前 backbone 是 ResNet-101，不是 Transformer segmentation 架构；但 geometry offset 可以理论上加到 Transformer token prototype 或 prompt token 上。
Mamba / VMamba / SegMamba / DAMamba：GeoProto 不涉及 state space module；但它提供了一个 orthogonal idea：在 Mamba/CNN encoder 之外，用 distance-transform geometry 对 prototype 或 decoder query 做条件化。对 DAMamba 改造的启发是：可以把 boundary-to-centroid ordinal map 作为辅助监督或 gating signal，而不是只依赖 sequence scanning。
Foundation model segmentation：和 SAM/MedSAM 的 promptable segmentation 有潜在连接：support mask 的 EDT geometry 可以作为 prompt prototype 的结构先验，但论文没有直接验证 foundation model 场景。

9. 对我课题的价值

如果用户关注 polyp segmentation 和 DAMamba，GeoProto 的直接 baseline 价值不如 U-Net/nnU-Net 类论文，但概念价值较高：它提醒我们在跨域分割中，boundary-aware 或 center-aware geometry 可以比单纯加注意力、Mamba block 更有解释力。对息肉任务，可考虑把 EDT/边界距离图作为辅助分支、boundary-to-interior ordinal supervision、或在 prototype/memory-based polyp adaptation 中加入几何偏移。对 DAMamba，可尝试把 distance strata 作为 decoder-side gating 或 scan-order bias，尤其用于提升边界与内部一致性。

10. 阅读建议

建议精读。理由是方法机制清楚、实验覆盖多个跨域 setting、消融能支撑核心假设；但若当前目标是构建常规全监督 polyp segmentation 主干，它不是最优先 baseline，应作为“跨域 few-shot / geometry prior / prototype matching”方向的启发文献阅读。

论文 2：XTinyU-Net: Training-Free U-Net Scaling via Initialization-Time Sensitivity

基本信息

标题：XTinyU-Net: Training-Free U-Net Scaling via Initialization-Time Sensitivity
作者 / 第一作者：Alvin Kimbowa, Moein Heidari, David Liu, Ilker Hacihaliloglu / 第一作者 Alvin Kimbowa
时间：2026-05-10
来源：arXiv preprint, arXiv:2605.09639v1
论文页面链接：https://arxiv.org/abs/2605.09639
PDF 文件 / PDF 链接：https://arxiv.org/pdf/2605.09639v1 （已下载：MEDIA:/tmp/medseg_daily_20260513/xtiny_unet.pdf）
代码链接：论文和 arXiv 页面给出 https://github.com/alvinkimbowa/nntinyunet.git ，但今日访问对应 GitHub 页面返回 404；因此代码“声称公开”，但当前未确认可用
任务：轻量化医学图像分割；训练前选择 dataset-specific U-Net width scaling configuration
数据集：BUS-BRA、EchoNet Dynamic、ISIC 2018、FiVES、BraTS2020、ACDC
方法类型：U-Net / nnU-Net width scaling；zero-cost / training-free architecture selection；lightweight segmentation

paper-deep-reader 精读结果

1. 一句话结论

XTinyU-Net 的重要价值不是发明新 block，而是提出一个很实用的判断：在 nnU-Net 框架内仅做 width scaling，并用初始化时的 Jacobian sensitivity 找到“性能崩塌前的最小 U-Net”，可能比许多复杂轻量化架构更省参数且不牺牲 Dice。

2. 研究背景与核心问题

论文研究资源受限医学图像分割：U-Net/nnU-Net 很强，但完整模型在移动设备、床旁系统、基层医院或实时场景中参数和 FLOPs 过高；手工设计 lightweight architecture 又往往需要大量 train-and-evaluate sweep。paper map 可概括为：它研究如何在不训练候选模型的情况下，为特定医学分割数据集选择足够小但尚未容量崩塌的 U-Net；主动作是构造 width-capped U-Net family，并用初始化时输入-输出 Jacobian sensitivity 曲线的 total variation 检测 collapse boundary；作者声称 XTinyU-Net 在 6 个数据集上接近或超过 nnU-Net Dice，同时参数少 400×–1600×，并优于 UNeXt、CMUNeXt-S、TinyU-Net；证据来自 nnU-Net 协议下 6 个公开数据集、三次运行均值方差、轻量 baseline 对比和 NAS metric 消融；主要风险是 Jacobian collapse boundary 与真实性能崩塌的关联可能依赖模型族、预处理、patch size 和数据集，尚未在 3D 全分辨率或更复杂任务上充分验证。

3. 现有方法不足

作者批评两类现状：第一，轻量化模型如 UNeXt、CMUNeXt、TinyU-Net、LeanUNet、MedNCA 等通过新 block、简化 decoder、token mixing 等降低参数，但往往没有解决“不同数据集需要不同容量”的选择问题；第二，zero-cost NAS 指标多面向分类或宏观架构排序，在医学 dense prediction 中对同一 U-Net 家族的细粒度容量变化不够敏感。论文认为真正实用的问题是：对给定数据集，U-Net 可以缩到多小而不崩？

4. 方法总览

论文路线为 method-algorithm，证据重点是 experimental-eval、reproducibility-and-compute、ablation-and-mechanism-isolation。方法步骤如下：

固定 U-Net / nnU-Net 的空间层级、stage 数、下采样路径和训练 recipe，只改变 channel width。
设 baseline 第 l 层通道数为 C_l^base = 2^l C_0，baseline 最大通道 C_max^base = C_{L-1}^base。
构造离散模型族：C_max(i)=C_max^base / 2^i，每层通道 C_l(i)=min(2^l C_0, C_max(i))。论文采用 C_max^base=512，形成 10 个候选模型，index 越大模型越小。
对每个未训练模型 M_i，取少量未标注输入图像，计算输出对输入的梯度：g_i(x)=∇_x Σ_u f_i(x;θ_i)_u，并用 ||g_i(x)||_2 的 RMS 聚合为 sensitivity score S_i。
对所有候选的 S_i 做 min-max normalize，计算相邻模型 sensitivity 差分 d_i=|S_{i+1}-S_i|。
对候选 split k，比较大模型区和小模型区的 total variation，选择使 pre-collapse 区稳定、post-collapse 区波动大的边界 k*，最终选 M_{k*} 作为 XTinyU-Net。

5. 核心模块拆解

Width-capped U-Net family：输入是 nnU-Net baseline 配置，输出是一组只改变最大 channel cap 的 U-Net。它保留空间拓扑和 receptive field，因此把变量尽量限制为 capacity，而不是混入 depth、kernel、decoder 设计差异。这一点对公平研究很关键。
Jacobian sensitivity score：输入少量未标注图像和随机初始化模型，输出每个模型的 input-output sensitivity。直觉是过窄模型在容量边界附近会对输入扰动更敏感，曲线变化更剧烈。它不需要 label，也不需要训练，因此适合快速模型选择。
Total-variation collapse detector：不是把 sensitivity 当“越大越好”的 NAS 分数，而是找 sensitivity 曲线从平稳到剧烈变化的边界。这个设计是论文相对普通 zero-cost NAS 的主要差异。
XTinyU-Net selected configuration：不是固定架构，而是每个数据集一个选出来的最小 pre-collapse U-Net。因此它更像一个选择算法，而不是单一模型。
是否适合迁移到 polyp / 3D：对 polyp segmentation 很适合尝试，因为息肉分割常用 2D U-Net/UNet++/PraNet/轻量模型，且部署实时性重要；只要能在 colonoscopy 数据上构造 width family，就能用未标注图像先筛一个容量边界。对 3D segmentation 也有潜力，但 3D Jacobian 计算内存更高，且论文当前实验未证明 3D nnU-Net 全流程有效。

6. 实验设计与结果

论文在 nnU-Net training/evaluation protocol 内比较，报告 Dice 和 HD95，并给出三次运行 mean±std。数据集包括乳腺超声 BUS-BRA、EchoNet Dynamic 心超、ISIC2018 皮肤病灶、FiVES 视网膜血管、BraTS2020 脑肿瘤、ACDC 心脏 MRI。

关键结果：

在 BUS-BRA 上，XTinyU-Net 只有 20.39k 参数、0.92G FLOPs，但 Dice 90.64±7.57，高于 nnU-Net 的 89.90±10.25；参数从 33,472.40k 降到 20.39k，超过 1600× 减少。
EchoNet Dynamic 上 XTinyU-Net Dice 92.31±3.94，接近 nnU-Net 92.45±4.16，HD95 3.78 与 nnU-Net 3.75 接近。
ISIC2018 上 XTinyU-Net Dice 89.39±12.38，高于 nnU-Net 87.84±12.19。
FiVES 上 XTinyU-Net Dice 88.97±10.42，略高于 nnU-Net 88.57±10.03，参数 79.55k、FLOPs 1.96G。
BraTS2020 上 XTinyU-Net Dice 89.47±11.30，低于 nnU-Net 91.19±11.17，但远高于 UNeXt、CMUNeXt-S、TinyU-Net。
ACDC 上 XTinyU-Net Dice 91.86±6.06，接近/略高于 nnU-Net 91.37±6.01，HD95 2.53 与 nnU-Net 2.27 接近。

消融显示，Jacobian-based collapse detection 对 batch size 和 random initialization 有一定鲁棒性；NASWOT、SWAP 等已有 zero-cost metrics 往往随模型容量单调变化，因此不能定位 sharp pre-/post-collapse transition。

7. 实验可信度判断

可信之处：论文避免了“换新模块 + 换训练 recipe”的混杂，把所有模型放在 nnU-Net 协议下比较；报告了 Dice/HD95 和三次运行均值方差；baseline 包括 UNeXt、CMUNeXt-S、TinyU-Net，也包括完整 nnU-Net 作为 upper/reference bound。结论“很多数据集上标准 U-Net 缩宽后已足够强”有较强工程意义。

不足之处：第一，论文目前是 arXiv preprint，代码链接今日未能访问，复现性暂时打折；第二，虽然说 within nnU-Net framework，但实验看起来主要是 2D 或切片级任务，并没有充分展示 3D full-resolution nnU-Net 的显存、patch、spacing、cascade 细节；第三，collapse detector 的数学形式在 PDF 中 TVL/TVR 区域命名略容易混淆，且选择 argmax |TVR-TVL| 的理论解释仍偏经验；第四，参数极低时 Dice 接近 nnU-Net 这一现象很吸引人，但需要在更多多类别、小目标、低对比病灶任务上验证是否仍成立。

8. 与主流医学图像分割框架的关系

U-Net / nnU-Net：这是论文的中心。它不是替代 U-Net，而是把 U-Net 的 width 当作 dataset-specific capacity knob，在 nnU-Net recipe 下寻找最小可用配置。
MedNeXt：MedNeXt 代表大 kernel ConvNeXt-style 现代 CNN 分割框架；XTinyU-Net 提醒我们在引入复杂 CNN block 前，应先比较 properly scaled nnU-Net，否则可能高估新结构价值。
UNETR / Swin-UNet / TransUNet / TransFuse：论文不直接涉及 Transformer；但它的观点对 Transformer-based segmentation 也是警示：轻量化不一定要先换 token mixer，先做容量边界搜索可能更有性价比。
Mamba / VMamba / SegMamba / DAMamba：论文与 Mamba 无直接关系，但对 DAMamba 研究非常有参考价值：如果要证明 DAMamba block 有价值，必须和强且经过容量调优的 tiny U-Net / nnU-Net 比，而不是只和未调优 heavy U-Net 或随意轻量 baseline 比。
Foundation model segmentation：与 MedSAM/SAM 类方法不同，XTinyU-Net 走的是小模型部署路线；在无 GPU 或实时场景中，可能比 foundation model 更实际。

9. 对我课题的价值

对用户的 polyp segmentation / DAMamba 方向，XTinyU-Net 的价值很高。第一，它可以作为轻量 baseline：在 CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB、ETIS、EndoScene 等息肉数据上先跑 width-scaled U-Net family，再看 DAMamba 是否真的提升。第二，它提供了一个无需训练的模型选择工具，可快速估计某个数据集需要的最小 channel cap。第三，它能帮助 introduction/related work 中讨论“轻量化医学分割不一定依赖复杂模块，容量选择本身是关键”。

10. 阅读建议

强烈建议精读并尝试复现核心选择器。虽然代码当前未确认可访问，但算法实现并不复杂：构造 10 个 channel cap、计算随机初始化 Jacobian sensitivity、找 total-variation boundary。对后续做 polyp segmentation、DAMamba ablation、公平 baseline 设计都很有直接帮助。

今日推荐优先级

XTinyU-Net: Training-Free U-Net Scaling via Initialization-Time Sensitivity：最适合用户后续医学图像分割研究，尤其是 polyp segmentation、轻量化 baseline、公平 ablation 和 DAMamba 对比实验。它能直接转化为实验策略：先找到 tiny U-Net 容量边界，再评估新模块是否真的有效。
Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation：更适合作为跨域 few-shot、geometry prior、prototype matching 的方法启发。对常规全监督息肉分割不是直接 baseline，但对跨中心/少标注/边界结构建模有较高参考价值。

今日 PDF 获取情况

论文 1：已附 PDF / 提供 PDF 链接：MEDIA:/tmp/medseg_daily_20260513/geometry_prototype.pdf；https://arxiv.org/pdf/2605.10885v1
论文 2：已附 PDF / 提供 PDF 链接：MEDIA:/tmp/medseg_daily_20260513/xtiny_unet.pdf；https://arxiv.org/pdf/2605.09639v1

今日可执行建议

优先复现 XTinyU-Net 的 training-free width selection：在一个 polyp segmentation 数据集上先用未标注图像计算 Jacobian sensitivity，选出最小 pre-collapse U-Net，再作为 DAMamba 改造的强轻量 baseline。
从 GeoProto 中抽取 EDT ordinal supervision 思路：可在 polyp segmentation decoder 增加 boundary-to-interior distance bin 辅助头，观察是否提升边界 Dice、HD95 或 mIoU，尤其适合做边界质量消融。
写 related work 时把 XTinyU-Net 放在 lightweight / efficient U-Net selection，把 GeoProto 放在 cross-domain few-shot / geometry-aware prototype；不要把 GeoProto 当常规 nnU-Net 改进来引用。