컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 8-6. Loss Function

본 내용은 Edwith의 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석을 요약 정리한 내용으로 DGIST 박상현 교수님과 Edwith, STAR-MOOC에 그 저작권이 있음을 미리 공지합니다.

Loss Function

Classification에서 사용하던 Cross Entropy를 Segmentation에서 사용하고자 할 때 물체가 작음에도 Similarity가 좋은 것으로 판단하는 단점이 나올 수 있음

이를 해결하기 위해 Weighted Cross Entropy(WCE)를 사용하기도 함

$\beta$를 통해 조율

$\beta > 1$ : False Negative를 줄임 (Foreground에 대한 값이 커짐)

$\beta < 1$ : False Positive를 줄임

Balanced Cross Entropy(BCE)를 사용할 수도 있음

Dice Loss를 사용할 수도 있음

Dice coefficient($= \frac{2 \times (S_g \cap S_p)}{|S_g|+|S_p|}$)에서 나옴

이 때 $S_g$는 Segmentation Ground Truth, $S_p$는 Segmentation Prediction

$S_g, S_p$가 완전히 같으면 Dice coefficient는 1, 완전히 다르면 0

1인 경우 Background는 고려하지 않고 Foreground만을 고려하기 때문에 Cross Entropy에 비해 Foreground에 집중함

Dice Loss에서 $= \frac{2p\hat{p}}{p+\hat{p}}$가 완전히 같으면 1이 되어 총 Loss는 0이 되고 완전히 다르면 0이 되어 Loss가 1이 됨

다만 분모가 0이 되는 것을 방지하기 위해 분모, 분자에 1을 더한 꼴

픽셀 단위가 아니라 영상 단위 Loss 계산을 통한 parameter update으로 사용이 가능

CE와 DL 모두를 사용하는 방식으로 optimize 또한 고려할 수 있는 방안