심각하게 불균형한 병변 분할을 위한 손실 함수 분석

심각하게 불균형한 데이터셋은 병변 분할에서 흔히 발생합니다. 특히, 뇌 MRI를 다룰 때 병변은 전체 이미지 볼륨의 5% 미만을 차지하는 경우가 많습니다. 제한된 데이터셋으로 훈련할 때의 일반적인 해결책은 배경과 전경 복셀의 영향을 다시 균형을 맞추기 위해 특정 손실 함수를 사용하는 것입니다. 이러한 접근법은 일반적으로 다른 가능한 우연적 요소(예: 무작위 가중치 초기화 또는 무작위 섞기)가 최종 메트릭의 실제 개선에 영향을 미칠 수 있는 점을 고려하지 않고 단일 교차 검증 분할을 실행하여 평가됩니다. 또한, 훈련 단계에서 불균형한 클래스에 대한 손실의 효과 진화는 일반적으로 분석되지 않습니다. 이 작업에서는 심각하게 불균형한 데이터셋에서 뇌 병변 분할과 관련된 공공 데이터셋에서 훈련 중 다양한 일반 손실 메트릭에 대한 분석을 제시합니다. 하이퍼파라미터 조정과 아키텍처의 영향을 제한하기 위해, 우리는 다양한 분할 애플리케이션에서 좋은 성능을 제공하는 3D Unet 아키텍처를 선택했습니다. 우리는 이 프레임워크를 두 개의 공공 데이터셋에서 평가했으며, 전경 클래스의 기울기를 강조하는 것이 실제 양성 분할 측면에서 더 나은 성능을 제공하더라도 가중치 손실이 평균적으로 유사한 성능을 가지는 것을 관찰했습니다.