ŘEHOŘ, J. Segmentace intrakardiálních záznamů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student Jan Řehoř vypracoval diplomovou práci na téma Segmentace intrakardiálních záznamů. V teoretické části vypracoval autor rozsáhlou rešerši týkající se intrakardiálních záznamů (iEKG), kde se konkrétně zabývá segmentací aktivity síní. Pro samotnou práci si vybral cestu segmentace iEKG, která se řadí k těm méně tradičním přístupům. Dále jsou popsány elektrokardiografie, zpracování obrazu, umělé neuronové sítě a nejvíc konvoluční. Popsané metody autor využívá, některé kapitoly obsahují možná až moc informací, které nejsou tak relevantní. V rámci praktické části práce student nejdříve anotoval data ve spolupráci s kolegou na UBMI, což byla poměrně náročná část. Pro samotnou segmentaci potom využívá binárních masek, které vytváří pro každý analyzovaný signál a trénuje jimi 2 konvoluční sítě s odlišnými architekturami. Autor dobře zprovoznil jednu ze sítí, druhá nedosahuje dobrých výsledků. K lepší představě o výsledcích by se hodil převod přesnosti segmentace síňové aktivity do časových jednotek (ms). Plynulost textu místy utrpěla dopisováním na poslední chvíli, nicméně se v práci vyskytuje jen malé množství syntaktických a gramatických chyb. V práci je uvedeno 85 řádně citovaných, převážně zahraničních zdrojů. Student po celou dobu pracoval především samostatně, konzultací využíval zřídka a především ke konci semestru. Všechny body zadání byly splněny, práci hodnotím stupněm A/90 bodů.
Student Jan Řehoř ve své diplomové práci navrhnul a implementoval postup pro detekci síňové aktivity v intrakardiálních EKG (iEKG) záznamech. Pro dosažení stanovených cílů vybral netriviální postup založený na využití 2D reprezentace iEKG i referencí a dvou specifických hlubokých neuronových sítí, které vhodně modifikoval pro účely práce. Práce má logickou a přehlednou strukturu. Literární rešerše je rozsáhlá a obsahuje velké množství informací, které jsou irrelevantní vzhledem ke hlavním cílům. Naopak v ni postrádám důkladnější přehled metod pro popis a identifikaci síňové či komorové aktivity v iEKG či standartním povrchovém EKG. V praktické části chybí detailnější popis analyzovaných dat (např. z hlediska přítomnosti patologií a artefaktů, výběru určitých svodů apod.) a rovněž popis manuální anotace záznamů, která byla studentem provedená ve spolupráci se zkušenějším kolegou. Místo toho text obsahuje redundantní informace tykající se práce s veřejně dostupným softwarem, včetně 3 ukázek jeho hlavního okna. Samotný detekční postup je však perfektně ilustrován. Práce obsahuje řadu vhodně zvolených, kvalitních schémat, které doplňují méně kvalitní text, zaměřený spíše na implementační, než na věcnou stránku práce. Vzhledem k dosaženým výsledkům lze zvolený postup považovat za zajímavý a slibný. Některé části algoritmu jsou však příliš komplikované, jako např. vytvoření trénovací masky, kde by snad stačilo vyjít z relevantních úseků již hotového obrazu iEKG záznamu. Není jasné, proč nebyly 2D reprezentace vytvořeny ve formátu, který by nevyžadoval dodatečné ořezávání. Student se zřejmě „nechal unést“ myšlenkou segmentace iEKG a proto mu unikla stěžejní myšlenka zadání – detekce pozic začátků a konců síňové aktivity. Proto navržený algoritmus směřuje k vytvoření 2D obrazu iEKG s barevně vyznačenými úseky síňové aktivity, což jednak vyžaduje poměrně složité kroky zpracování výstupu neuronové sítě (které v případě využití SegNet nebylo dotažené do zdárného konce) a zároveň nemá smysluplné uplatnění v praxi. Z hlediska segmentace obrazu byly hodnoticí metriky zvoleny správně, s ohledem na nevyváženost tříd (síňová aktivita/pozadí). Vyhodnocení úspěšnosti by však mělo spočívat ve výpočtu odchylek predikovaných pozic začátků/konců od těch referenčních (v ms). Testování bylo provedeno na malém počtu záznamů a v práci chybí detailnější interpretace chybně zařazených pixelů v kontextu dvou navržených modelů. Velmi oceňuji srovnání výstupů s řešením třetích stran, kde však považuji za zajímavější transfer learning přístup bez nutnosti přetrénování celého modelu. Po formální stránce je práce na dobré úrovni. Zadání je splněno v plné míře. Vzhledem k výše uvedeným nedostatkům zvoleného řešení hodnotím práci stupněm C/72 b.
eVSKP id 142116