El cáncer colorrectal es una de las principales causas de muerte por cáncer en todo el mundo, pero su diagnóstico temprano mejora significativamente las tasas de supervivencia. El éxito del aprendizaje profundo también ha beneficiado a este campo clínico. Al entrenar un modelo de aprendizaje profundo, se optimiza en función de la función de pérdida seleccionada. En este trabajo, consideramos dos redes (U-Net y LinkNet) y dos estructuras de base (VGG-16 y Densnet121). Analizamos la influencia de siete funciones de pérdida y utilizamos un análisis de componentes principales (PCA) para determinar si la descomposición basada en PCA permite definir los coeficientes de una función de pérdida primaria no redundante que puede superar a las funciones de pérdida individuales y a diferentes combinaciones lineales. El eigenloss se define como una combinación lineal de las pérdidas individuales utilizando los elementos del vector propio como coeficientes. Los resultados empíricos muestran que el eigenloss propuesto mejora el rendimiento general de las funciones de pérdida individuales y supera a otras combinaciones lineales cuando se utiliza Linknet, mostrando potencial para su aplicación en problemas de segmentación de pólipos.