今日医学图像分割最新论文精读追踪

今日结论

今天在 2026-05-13 之后的新增候选中，真正符合“医学图像分割主任务、2025 年以后、未被本定时任务推荐过、且值得精读”的新论文只有 1 篇：MedCore: Boundary-Preserving Medical Core Pruning for MedSAM。由于昨天已经推荐过 FEFormer 与 USEMA，今天没有强行凑第二篇低质量候选；第二篇位置改为“候选但未入选”的短评，以免重复推荐或误导。

整体趋势是：医学图像分割的新工作继续从“单纯提升 Dice”转向 foundation model 压缩、边界保真、跨域泛化和部署效率。MedCore 尤其值得关注，因为它直接围绕 MedSAM、polyp segmentation、Boundary F1 / HD95 和结构化剪枝展开，比一般“轻量化模型”更贴近临床边界质量问题。

检索说明

今日检索范围覆盖 arXiv 2026-05-13 至 2026-05-15 的 medical image segmentation、polyp segmentation、SAM medical segmentation、3D medical segmentation、foundation medical segmentation、Mamba medical segmentation 等关键词，并回看了 2026-05-11 以来的候选。今天未发现已正式标注为 MICCAI / CVPR / ICCV / MedIA / TMI 等顶会顶刊接收的新增医学图像分割论文，因此入选论文为 arXiv preprint。所有入选或讨论论文均为 2025 年及以后。

已检查历史推荐记录并排除了重复论文；历史已推荐并跳过的重复候选包括 FEFormer: Frequency-enhanced Vision Transformer for Generic Knowledge Extraction and Adaptive Feature Fusion in Volumetric Medical Image Segmentation、USEMA: a Scalable Efficient Mamba Like Attention for Medical Image Segmentation、DINO-MVR、XTinyU-Net、Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation 等。

WordPress 发布

WordPress 文章链接：<待发布后填写>
WordPress Post ID：<待发布后填写>

论文 1：MedCore: Boundary-Preserving Medical Core Pruning for MedSAM

基本信息

标题：MedCore: Boundary-Preserving Medical Core Pruning for MedSAM
作者 / 第一作者：Cenwei Zhang, Suncheng Xiang, Lei You / 第一作者 Cenwei Zhang
时间：2026-05-13
来源：arXiv preprint, arXiv:2605.13688v1
论文页面链接：https://arxiv.org/abs/2605.13688
PDF 文件 / PDF 链接：https://arxiv.org/pdf/2605.13688v1 （已下载：MEDIA:/tmp/medseg_daily_20260515/medcore_2605.13688.pdf）
代码链接：https://github.com/cenweizhang/MedCore
任务：MedSAM 结构化剪枝；prompt-driven medical image segmentation；polyp segmentation、breast ultrasound segmentation、dermoscopy segmentation
数据集：CVC-ClinicDB、CVC-ColonDB、Kvasir-SEG、BUSI、ISIC2018
方法类型：foundation model for medical segmentation；MedSAM pruning；boundary-preserving compression；structured pruning；boundary-aware Fisher / Cross-Fisher；polyp segmentation

paper-deep-reader 精读结果

1. 一句话结论

MedCore 的核心价值是把 MedSAM 压缩从“删掉参数但 Dice 不掉太多”提升为“识别并保留医学适配后真正重要、且对边界位移高杠杆的 ViT 结构”，因此对 polyp segmentation、MedSAM 部署、边界质量评价和轻量化 foundation model 都有直接参考价值。

2. 研究背景与核心问题

MedSAM / SAM 类 promptable segmentation foundation model 在医学图像中已经有较强 mask 生成能力，但 ViT-B image encoder 仍然很重：原始 MedSAM 在论文实验中约 89.7M 参数、926.5G FLOPs。这对实时内镜、床旁超声、资源受限设备或大规模临床部署并不友好。

普通压缩方法往往只看 Dice / IoU 或 loss 增量，容易隐藏医学分割中特别危险的失败模式：预测区域大体重合，Dice 仍然高，但边界变厚、断裂、偏移或细小结构消失。对于息肉、乳腺病灶、皮肤病灶等任务，边界直接影响尺寸估计、切除范围、风险判断和临床解释。

paper map 可概括为：论文研究 如何在保留 MedSAM 医学适配能力和边界质量的前提下做结构化剪枝；主动作是提出 MedCore，用 zero intervention、reset-to-SAM intervention、boundary-aware Fisher / Cross-Fisher 与 boundary leverage 原理为 attention heads 和 MLP groups 打分；作者声称可在 polyp benchmarks 上减少 60.0% 参数和 58.4% FLOPs，同时保持甚至提升 Dice、BF1 和 HD95；证据主要来自三类息肉数据集的 macro-average 表、跨模态 BUSI/ISIC 测试、组件消融和 head-vs-MLP boundary leverage 分析；主要失败风险是结果强依赖 recovery fine-tuning、prompt / split / calibration 设置，且作为 arXiv preprint 仍需代码和独立复现确认。

3. 现有方法不足

作者批评的不足主要有三类：

MedSAM / SAM foundation model 太重：MedSAM 的 ViT image encoder 计算量大，难以用于实时 endoscopy、point-of-care ultrasound 等场景。
普通剪枝 / 压缩只看 endpoint checkpoint 或参数重要性：多数 pruning 方法只估计从当前模型删掉某组参数后的 loss 增量，忽略了 MedSAM 是从 SAM 适配而来的，某些结构虽然在参数量上不大，却承载了医学适配后的能力。
Dice 不能充分代表医学边界质量：压缩后模型可能保持粗区域重叠，却造成边界位移。论文明确把 BF1 和 HD95 作为 key metrics，并提出 boundary leverage 来解释为什么小的 logit perturbation 会在低梯度边界处导致明显几何偏移。

4. 方法总览

路线记录：Primary adapter = method-algorithm；Secondary adapter = benchmark-evaluation（轻量使用，因为实验和边界指标是 load-bearing evidence）；Evidence packs = general、experimental-eval、ablation-and-mechanism-isolation、reproducibility-and-compute；Route confidence = 高。选择该路线是因为论文主要贡献是 MedSAM 剪枝算法，但其可信度高度依赖实验、公平比较、消融与计算量报告。

MedCore 的整体流程如下：

从官方 MedSAM ViT-B checkpoint 出发，保留原始 SAM ViT-B checkpoint 作为医学适配前的参考 θS，MedSAM 参数为 θM。
将可剪枝参数分组为 ViT image encoder 中的 attention heads 和 MLP connection groups；prompt encoder 冻结。
对每个结构组 g 估计两个反事实重要性：
- zero intervention：把 g 置零，衡量它对当前 MedSAM 预测的贡献；
- reset-to-SAM intervention：把 g 从 MedSAM 权重重置回原始 SAM 权重，衡量它在 SAM→MedSAM 医学适配中获得的功能重要性。
为避免逐组真实干预过慢，用 boundary-weighted Fisher 近似 zero cost，用 Cross-Fisher 近似 reset cost。
引入 distribution-aware aggregation：按数据集 / 模态计算 group score，再加入方差项，避免剪掉只在某些域中重要的结构。
用 block sensitivity 做非均匀预算分配，保护最敏感的深层 block，尤其是靠近 mask decoder 的部分。
采用 head-to-MLP cascade pruning：先剪 attention heads，短恢复，再剪 MLP groups；这样避免同时破坏两类功能结构，也便于分析 head / MLP 的边界影响差异。
剪枝后做 recovery fine-tuning，损失包含 segmentation loss、boundary-weighted BCE、feature distillation、boundary-region logit distillation 和 high-frequency mask discrepancy。

5. 核心模块拆解

Dual-intervention score：输入是结构组 g、MedSAM 权重 θM 和原始 SAM 权重 θS；输出是 group priority。zero cost 衡量“当前预测是否需要这个组”，reset cost 衡量“医学适配是否改变并依赖这个组”。这比只在 MedSAM endpoint 上做 Fisher 更贴合 MedSAM 的来源。创新性较强，尤其适合任何从通用 foundation model 适配到医学模型后的压缩。
Boundary leverage principle：论文把预测边界看成 logit map 的 zero level set。若压缩操作 G 造成 logit perturbation δG(x)，一阶边界法向位移近似为 -δG(x)/||∇sθ(x)||2。直觉是：边界处 logit slope 越小，同样的 logit 扰动造成的边界位移越大。这解释了为什么 Dice 还可以但 BF1/HD95 先崩。该部分是论文最有理论解释力的地方。
Boundary-aware Fisher / Cross-Fisher：boundary Fisher 用 boundary-weighted BCE + Dice 计算 Fisher，使剪枝打分偏向保留边界敏感参数。Cross-Fisher 则用 SAM 与 MedSAM Fisher 的几何平均来衡量 reset-to-SAM 的代价，避免被大但无功能意义的 weight shift 主导。对边界敏感医学任务很可复用。
Distribution-aware aggregation：对不同数据集 / 模态计算 score，并加入跨域方差项。若某个 group 只在 BUSI 或 ISIC 等特定分布上重要，方差项会使剪枝更保守。这对跨医院、多模态医学数据很重要。
Head-to-MLP cascade pruning：论文发现 MedSAM 处于 head-fragile boundary regime：attention heads 的 boundary leverage 明显高于 MLP groups。因此实际剪枝策略应更保守地剪 heads，更多压缩来自 MLP。这个经验对压缩 ViT-based MedSAM / SAMed / Medical SAM Adapter 都有启发。
Recovery fine-tuning：剪枝后用 Lrec = Lseg + λ1Lbd + λ2Lfeat + λ3Llogit + λ4Lfreq 让剩余结构重新协调。需要注意：主结果包含 recovery fine-tuning，因此不能把提升完全归因于 pruning score；它是“剪枝选择 + 恢复训练”的组合系统。
是否适合 polyp segmentation / 3D segmentation：对 polyp segmentation 非常直接，因为主表就是 CVC-ClinicDB / CVC-ColonDB / Kvasir-SEG macro average，并且边界质量是息肉任务的核心。对 3D medical segmentation，思想可迁移，但 MedSAM 本身是 2D promptable model；若迁移到 MedSAM2 / 3D SAM / SegMamba，需要重新定义 3D boundary band、surface distance、3D Fisher 和 volume-level prompts。

6. 实验设计与结果

实验使用官方 MedSAM ViT-B 作为 base model，SAM ViT-B 作为 reference checkpoint。数据覆盖五个医学分割数据集：

Polyp endoscopy：CVC-ClinicDB、CVC-ColonDB、Kvasir-SEG；主表报告三者 macro-average。
Breast ultrasound：BUSI。
Dermoscopy：ISIC2018。

评价指标包括 Dice、IoU、Boundary F1（BF1）、HD95、参数量和 FLOPs。Fisher estimation 每个数据集采样 128 calibration images，batch size 1。

关键结果：

原始 MedSAM：89.7M 参数、926.5G FLOPs、Dice 0.9191、IoU 0.8648、BF1 0.5321、HD95 21.29。
MedCore one-time h50_m70：35.8M 参数、385.2G FLOPs、Dice 0.9549、IoU 0.9169、BF1 0.6388、HD95 5.14。论文称相当于减少 60.0% 参数、58.4% FLOPs。
MedCore sequential h84_m95：12.1M 参数、90.4G FLOPs、Dice 0.9550、IoU 0.9174、BF1 0.6462、HD95 5.12，属于更激进压缩但仍保持强边界指标的配置。
对比 EfficientSAM-s/t、SlimSAM、Swin-Unet、nnU-Net、EMCAD、MK-UNet、SAMed、QMedSAM，MedCore 在三类息肉数据 macro-average 上报告了最好的 Dice/BF1/HD95 组合。
跨模态实验中，CVC-ClinicDB 与 ISIC2018 上 boundary metrics 明显改善；BUSI 上 moderate compression 接近或略优，但 aggressive compression 会导致 BF1/HD95 下降，说明方法仍需目标域验证。
组件消融显示，去掉 boundary Fisher 在 aggressive one-time setting h70_m95 上 BF1 从 0.4050 降到 0.2781，影响最大；去掉 reset-to-SAM 或 variance aggregation 在高压缩时也更明显。
Head-vs-MLP 分析显示，attention head pruning 的 median boundary leverage 为 3.961，MLP pruning 为 1.372，比值 2.887；BF1 damage density 和 HD95 damage density 也分别约为 MLP 的 2.607× 和 2.432×。

7. 实验可信度判断

可信之处：

论文没有只报告 Dice，而是把 BF1 和 HD95 放在核心位置，符合医学边界保真需求。
主实验直接包含 polyp segmentation 三个常用数据集，对用户的 polyp 研究非常相关。
消融不仅验证模块有无，还把 boundary Fisher、reset score、distribution variance 分开看，能支撑作者的机制解释。
head / MLP boundary leverage sweep 与最终 BF1/HD95 damage density 方向一致，说明理论指标和实际边界指标有一定对应关系。
PDF 中给出官方 GitHub 链接，复现希望比许多 arXiv 预印本更好。

需要谨慎之处：

主结果包含 post-pruning recovery fine-tuning，且原始 MedSAM 与压缩后模型的提升不应被简单理解为“剪枝本身让模型更强”；可能是 recovery pipeline、训练数据、prompt 设置共同作用。
每个数据集的 train/test split 只说 fixed random seed，具体 split 文件、prompt 生成策略、box prompt 来源、是否与 baseline 完全一致，需要看代码确认。
与 nnU-Net、EMCAD、MK-UNet 等专用 medical segmentation model 的比较可能存在任务定义差异：MedSAM 是 prompt-driven，nnU-Net 是自动分割；若 prompt 来自 ground-truth box 或强 oracle，会改变公平性。
FLOPs 仍然不低：h50_m70 还有 385.2G；即使 h84_m95 为 90.4G，也未报告真实 FPS、显存、端侧延迟。
没有 3D 数据、视频 polyp 或跨医院外部大规模验证；临床部署仍需 prospective validation。

因此，MedCore 的结论应表述为：它强有力地支持“MedSAM 压缩时必须显式保护医学适配结构和边界高杠杆结构”，但是否能作为实际部署模型，还要看 prompt 协议、端侧速度和独立复现。

8. 与主流医学图像分割框架的关系

U-Net / nnU-Net：MedCore 不是 U-Net 改进，而是 MedSAM/SAM 压缩方法。它与 nnU-Net 的关系主要体现在实验比较和部署定位：nnU-Net 是 fully supervised automatic segmentation 强基线，MedCore 是 promptable foundation model 的轻量化版本。
MedNeXt / CNN segmentation：没有直接比较 MedNeXt；但 boundary-aware recovery、high-frequency discrepancy loss 等思想可迁移到 MedNeXt 压缩或蒸馏。
UNETR / Swin-UNETR / TransUNet：MedCore 的剪枝对象是 ViT image encoder，因此与这些 Transformer-based segmentation 的结构化 pruning 有方法相通性，尤其是 attention head vs MLP group 的剪枝预算分配。
Mamba / VMamba / SegMamba / DAMamba：论文没有 SSM/Mamba 模块，但 boundary leverage 的思想可用于 DAMamba：分析不同 scan direction、state-space branch、MLP branch 对 boundary logit perturbation 的影响，决定剪枝或轻量化策略。
Foundation model for medical segmentation：这是论文最直接的位置。它延续 MedSAM / SAMed / Medical SAM Adapter / EfficientSAM / QMedSAM 方向，但贡献点不是适配新任务，而是“如何在压缩已适配模型时不破坏医学核心和边界”。

9. 对我课题的价值

对用户的 polyp segmentation、DAMamba 改造和医学图像分割框架选择，MedCore 价值较高：

polyp segmentation：强相关。主实验就是 CVC-ClinicDB、CVC-ColonDB、Kvasir-SEG；且关注 BF1/HD95，正好对应息肉边界弱、形态变化大、临床尺寸估计敏感的问题。
DAMamba 改造：可借鉴 boundary leverage 分析方法。比如在 DAMamba 中比较不同模块（DAMamba block、CNN branch、decoder fusion、MLP）对 boundary band logit perturbation 的影响，用它指导轻量化、剪枝或模块保留。
MedSAM / SAM baseline：如果用户后续做 polyp segmentation foundation model 对比，MedCore 可作为“compressed MedSAM + boundary-preserving”相关工作。
related work：适合放在 foundation model compression、boundary-aware segmentation、efficient medical segmentation 三个小节。
复现建议：若代码可运行，优先复现 h50_m70 在 Kvasir-SEG / ClinicDB 上的 Dice、BF1、HD95，而不是一开始追求最激进 h84_m95。

10. 阅读建议

强烈建议精读。 对 polyp segmentation 和 MedSAM 轻量化非常相关，且论文的 boundary leverage 解释比一般压缩论文更有机制价值。建议重点读 Section 3 的 dual intervention、boundary-aware Fisher / Cross-Fisher、boundary leverage theorem，以及 Table 1、Table 3、Table 4。读实验时要特别区分“剪枝打分贡献”和“recovery fine-tuning 贡献”，并检查代码中的 prompt、split 和 calibration 设置。

论文 2：Frequency Adapter with SAM for Generalized Medical Image Segmentation（候选但今日不作为正式入选精读）

基本信息

标题：Frequency Adapter with SAM for Generalized Medical Image Segmentation
作者 / 第一作者：Phuoc-Nguyen Bui, Van-Nguyen Pham, Duc-Tai Le, Junghyun Bum, Hyunseung Choo / 第一作者 Phuoc-Nguyen Bui
时间：2026-05-11
来源：arXiv preprint, arXiv:2605.09925v1
论文页面链接：https://arxiv.org/abs/2605.09925
PDF 文件 / PDF 链接：https://arxiv.org/pdf/2605.09925v1
代码链接：论文称 code and pre-trained models will be made available on GitHub；未获取到明确可访问官方仓库
任务：single-source domain generalization for medical image segmentation；fundus optic disc/cup segmentation；prostate MRI segmentation
数据集：RIGA+ fundus multi-domain dataset；multi-site prostate MRI dataset（A/RUNMC, B/BMC, C/I2CVB, D/UCL, E/BIDMC, F/HK）
方法类型：SAM adaptation；LoRA；frequency adapter；domain generalization；foundation model for medical segmentation

paper-deep-reader 精读结果

1. 一句话结论

FSAM 有一个清楚但相对轻量的想法：在 SAM + LoRA 医学适配中加入频域 adapter，让模型在单源训练、跨域测试时更关注对 scanner / protocol / texture shift 更稳健的频率结构；但它与用户的 polyp / DAMamba 主线关联弱于 MedCore，也不是 5 月 13 日之后的新候选，所以今天只作为备选短评。

2. 研究背景与核心问题

论文研究 single-source domain generalization：只用一个有标注源域训练，测试时直接面对未见过的目标域。医学图像跨域差异来自成像设备、扫描协议、医院人群、分辨率、对比度和纹理。传统 U-Net 或普通 SAM adaptation 可能在源域表现好，但跨域 Dice 下降明显。

3. 现有方法不足

作者认为传统 DG 方法依赖因果特征、对抗一致性、style augmentation 或 handcrafted augmentation，未充分利用 SAM 这类 foundation model；已有 SAM-based DG 方法如 DeSAM、DAPSAM 主要在空间域做特征解耦或 prototype prompt，忽略频率域差异，而频率成分往往对应医学图像中的纹理、边界、扫描噪声和分辨率差异。

4. 方法总览

FSAM 把输入图像做 FFT，使用 amplitude component 生成 frequency input；原图和频域输入都经过 SAM ViT-B patch embedding。SAM encoder 主体冻结或部分通过 LoRA 适配，LoRA rank 设为 4；每个 SAM ViT block 对应一个 Frequency Adapter，由 down projection、GELU、up projection 组成。最后 encoder embedding 进入 prototype-based automated prompt generator 和 SAM decoder，训练损失为 CE + Dice。

路线记录：Primary adapter = method-algorithm；Secondary adapter = 无；Evidence packs = general、experimental-eval、robustness-and-ood；Route confidence = 中。选择该路线是因为论文方法简单，主要证据是跨域泛化表格。

5. 核心模块拆解

Frequency input / FFT amplitude：把空间图像变换到频域，取 amplitude 表示，目标是捕捉跨域更稳健的结构与纹理统计。
Frequency Adapter：每个 ViT block 中注入一个轻量 bottleneck adapter，结构为 linear down-projection → GELU → linear up-projection，用于把 frequency embedding 融入 SAM encoder。
LoRA on SAM attention：只更新低秩矩阵，减少训练参数，保留 SAM 预训练知识。
Automated prompt generator：沿用 DAPSAM 类 memory-based prototype prompt，不依赖人工 box/point prompt，生成 domain-adaptive prompt 给 SAM decoder。

这些模块对 polyp segmentation 有一定启发：可把频域 adapter 用于跨中心息肉数据泛化；但论文没有息肉实验，也没有 Mamba / DAMamba 相关结构。

6. 实验设计与结果

RIGA+ fundus：BinRushed / Magrabia 作源域，Messidor Base 1/2/3 作目标域，评价 optic disc / optic cup DSC。Magrabia 作源域时，FSAM average OD/OC 为 96.39 / 88.63，高于 CCSDG 的 94.98 / 85.53，也略高于 DAPSAM 的 96.30 / 88.15。BinRushed 作源域时，FSAM average OD/OC 为 96.25 / 87.53，接近但略低于 DAPSAM 的 96.26 / 87.77。
Prostate multi-site MRI：六域 leave-one-domain style 评估，FSAM average DSC 82.74，高于 DAPSAM 81.31、SAMed 78.51、CSDG 70.06、MaxStyle 68.27。
训练设置：SAM ViT-B，LoRA rank 4，AdamW lr 5e-4，weight decay 0.1，early stop at 160 epochs / max 200 epochs，Dice + CE loss，图像 resize 到 RIGA 512×512、prostate 384×384。

7. 实验可信度判断

优点是：任务定义清楚，两个典型 DG benchmark，和传统 DG + SAM-based DG 都有比较。缺点是：没有代码仓库确认；只报告 DSC，缺少 HD95/BF1/ASD 等边界指标；没有充分消融 LoRA-only vs frequency adapter-only vs prompt generator-only；RIGA 中 BinRushed 源域下 FSAM 并不优于 DAPSAM；没有 polyp、CT、3D 或视频任务验证。因此它是一个可关注的 SAM-DG 小论文，但不是今天最值得正式精读的第二篇。

8. 与主流医学图像分割框架的关系

U-Net / nnU-Net：不是 U-Net 改进，而是 SAM adaptation；传统 DG baselines 多为 U-Net 系。
MedNeXt / UNETR / Swin-UNETR：无直接结构关系。
Mamba / DAMamba：无直接关系；频域 adapter 思想可与 DAMamba 的 encoder / decoder 特征增强结合，但需要重新设计。
Foundation model segmentation：属于 SAM / SAMed / MedSAM / DAPSAM 的 domain generalization 分支。

9. 对我课题的价值

对用户当前 polyp / DAMamba 方向价值中等偏低：它没有息肉实验，也不提供新 backbone；但如果后续关注跨中心 polyp generalization，可以借鉴“frequency adapter + LoRA + automatic prompt”的设定，在 Kvasir-SEG → ClinicDB / ColonDB / ETIS 或反向跨域上验证。

10. 阅读建议

可略读。 建议只读方法图、Frequency Adapter 公式和两个实验表。若做 SAM-based domain generalization，可继续跟踪；若当前重点是 DAMamba、polyp segmentation backbone 或 3D segmentation，则优先级低于 MedCore、FEFormer、USEMA。

今日推荐优先级

MedCore: Boundary-Preserving Medical Core Pruning for MedSAM
今天最值得读。它直接连接 MedSAM、polyp segmentation、边界质量、模型压缩与部署，且有理论解释、消融和官方代码链接。
Frequency Adapter with SAM for Generalized Medical Image Segmentation
作为备选跟踪，不作为今日正式第二篇推荐。它对 SAM 跨域泛化有参考价值，但缺少 polyp / Mamba / 3D 相关实验，且代码尚未确认。

今日 PDF 获取情况

论文 1：已附 PDF / 提供 PDF 链接：MEDIA:/tmp/medseg_daily_20260515/medcore_2605.13688.pdf；https://arxiv.org/pdf/2605.13688v1
论文 2：提供 PDF 链接：https://arxiv.org/pdf/2605.09925v1（已下载到本地用于阅读，但因不作为正式入选精读，不附附件）

今日可执行建议

优先精读并复现 MedCore 的 boundary leverage 与 h50_m70 配置。 先在 Kvasir-SEG / ClinicDB 上核查 Dice、BF1、HD95 与 FLOPs，再考虑更激进的 h84_m95。
把 MedCore 的 boundary-aware pruning 思想迁移到 DAMamba。 可以设计一个小实验：对 DAMamba 不同模块做 boundary band logit perturbation 分析，比较 CNN branch、Mamba branch、decoder fusion 对息肉边界的影响。
related work 中新增一个小节：Boundary-preserving compression of medical foundation models。 MedCore 可作为核心引用；FSAM 可放在 SAM domain generalization / frequency adapter 的补充引用中，但不建议作为强 baseline。