MedCore：面向MedSAM的边界保持医学核心剪枝
计算机视觉与模式识别
2026-05-14 v1 机器学习
摘要
医学分割基础模型如SAM和MedSAM提供强大的提示驱动分割，但其图像编码器仍过大难以适用于许多临床场景。压缩在医疗领域也颇具风险，因为模型可能保持高Dice分数但损失边界保真度。我们提出MedCore，一种用于MedSAM的结构化剪枝框架。主要思想是保留两种结构：一种是在SAM到MedSAM适应期间变得重要的结构，另一种具有高边界杠杆的结构。我们通过双干预得分来识别前者，即比较将其置零与重置为原始SAM权重的效果。我们通过边界感知Fisher估计来识别后者。我们还引入了边界杠杆原理，指出压缩引起的边界位移由边界处的logit扰动除以logit空间梯度控制。该原理解释了为何即使Dice保持高位，边界指标仍可能恶化。在结直肠息肌分割基准上，MedCore可将参数减少60.0%，FLOPs减少58.4%，同时实现Dice 0.9549、Boundary F1 0.6388和HD95 5.14。它也实现了86.6%的参数压缩和90.4G FLOPs，同时保持优异的边界质量。我们的分析进一步显示，MedSAM处于一种头脑易损边界 regime：头剪枝步骤的第95百分位边界杠杆是MLP剪枝步骤的2.887倍，而这种logit层面的效应与BF1和HD95恶化一致。我们的代码已公开于 https://github.com/cenweizhang/MedCore。
引用
@article{arxiv.2605.13688,
title = {MedCore: Boundary-Preserving Medical Core Pruning for MedSAM},
author = {Cenwei Zhang and Suncheng Xiang and Lei You},
journal= {arXiv preprint arXiv:2605.13688},
year = {2026}
}
备注
3 figures, 17 pages