ㅁ 의미론적 분할/증강

ㅇ 정의:
– 의미론적 분할과 증강은 의료 영상 데이터에서 객체의 경계를 식별하고 데이터를 다양화하는 기술입니다.

ㅇ 특징:
– 데이터의 다양성을 높여 모델의 일반화 성능을 향상시킵니다.
– 의료 영상 특유의 노이즈와 왜곡을 보완할 수 있습니다.

ㅇ 적합한 경우:
– 의료 영상 데이터가 제한적이거나 특정 패턴에 편향된 경우.
– 모델의 과적합 문제를 방지하고자 할 때.

ㅇ 시험 함정:
– 증강 방법이 원본 데이터의 의미를 왜곡하지 않도록 주의해야 합니다.
– 증강 후 데이터 분포가 원본과 얼마나 일치하는지 검증 필요.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “의미론적 분할은 객체 경계를 식별하는 기술이다.”
– X: “증강은 항상 데이터의 품질을 개선한다.”

================================

1. Random Rotation

ㅇ 정의:
– 이미지를 임의의 각도로 회전시켜 데이터 다양성을 증가시키는 증강 기법입니다.

ㅇ 특징:
– 특정 각도 범위 내에서 무작위로 회전.
– 원본 데이터의 구조적 패턴을 유지하며 다양성을 제공합니다.

ㅇ 적합한 경우:
– 의료 영상 데이터가 특정 방향으로만 정렬되어 있는 경우.
– 모델이 방향성에 민감하지 않도록 학습시키고자 할 때.

ㅇ 시험 함정:
– 회전 각도가 너무 크면 이미지의 주요 정보가 손실될 수 있습니다.
– 회전 후 이미지 경계 부분의 데이터 손실 문제를 간과할 수 있습니다.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Random Rotation은 데이터의 방향성을 다양화할 수 있다.”
– X: “Random Rotation은 항상 모델 성능을 향상시킨다.”

================================

ㅁ 추가 학습 내용

1. Random Rotation, Random Flip, Random Crop은 모두 데이터 증강(Data Augmentation) 기법으로, 모델의 일반화 성능을 높이기 위해 원본 데이터를 변형하는 데 사용됩니다.
– Random Rotation: 이미지를 임의의 각도로 회전시켜 데이터 다양성을 증가시킵니다. 회전 각도를 설정해 과도한 왜곡을 방지할 수 있습니다.
– Random Flip: 이미지를 수평 또는 수직으로 뒤집습니다. 대칭적 특징이 있는 데이터에 효과적이며, 특히 자연 이미지에서 자주 사용됩니다.
– Random Crop: 원본 이미지에서 임의의 위치를 잘라내고, 잘린 부분을 사용합니다. 이는 이미지의 다양한 부분을 학습하도록 유도하며, 크기와 위치 변화를 모델이 잘 처리할 수 있도록 돕습니다.

2. 회전 각도 설정은 데이터 왜곡과 모델 성능 사이의 균형을 맞추는 데 매우 중요합니다.
– ±15도: 적절한 범위 내에서 회전이 이루어져 데이터의 원래 특성을 유지하면서도 다양성을 부여합니다. 일반적으로 성능 향상에 긍정적입니다.
– ±30도 이상: 과도한 회전은 이미지의 원래 구조를 크게 왜곡할 수 있으며, 특히 텍스트나 의료 영상처럼 구조적 정보가 중요한 경우에는 성능 저하를 초래할 수 있습니다. 따라서 데이터의 특성과 모델의 목적에 따라 각도 범위를 신중히 설정해야 합니다.

3. 의료 영상에서 Random Rotation을 적용할 때는 픽셀 손실 문제가 발생할 수 있습니다. 회전 후 이미지의 일부가 잘리거나 빈 공간이 생기는 경우가 있는데, 이를 보완하기 위해 패딩 기법을 사용할 수 있습니다.
– 패딩(Padding): 이미지의 경계에 여분의 픽셀을 추가해 빈 공간을 채우는 방법입니다. 일반적으로 0으로 채우거나, 주변 픽셀 값을 복사하여 자연스럽게 보이도록 처리합니다.
– 이러한 보완 기법을 활용하면 의료 영상에서 중요한 정보를 보존하면서도 데이터 증강 효과를 얻을 수 있습니다.