JEŽEK, D. Automatické rozlišení signálových a šumových složek ve fMRI datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Diplomová práce se zabývá klasifikací nezávislých komponent dat funkční magnetické rezonance (fMRI) na signálové a šumové složky. Signálovými či užitečnými složkami jsou myšleny takové, které mají původ v neurální aktivitě mozku. Komponenty odrážející jiné způsoby ovlivnění MR dat jsou považovány za šumové. Práce v prvních třech kapitolách prezentuje výchozí teorii související s tématem, a to od obecných principů fMRI přes popis analýzy nezávislých komponent ve vztahu k fMRI datům a známé přístupy rozlišení užitečných a šumových komponent, až po základní přehled metod strojového učení. Student postupoval v souladu se zadáním, účastnil se pravidelně konzultací a přicházel i s vlastními nápady. Naučil se pracovat s fMRI daty a seznámil se se softwarem SPM, GIFT a TEDANA i s netypickými řešeními používanými na pracovišti MAFIL, CEITEC MU. Práce je přínosná a na dosažené výsledky bude moci pracoviště MAFIL, CEITEC MU dále navazovat. Student prokázal velkou míru samostatnosti. Po formální stránce je práce zpracována podle požadavků a má rozsah 67 stran. Formální úprava i jazyková úroveň je dobrá. Jednotlivé kapitoly na sebe logicky navazují. Teoretická část může občas působit zkratkovitě, ale vzhledem k rozsahu témat, které bylo nutné pokrýt ji považuji za plně dostačující. Praktická část zabírá cca 2/3 rozsahu DP, což odpovídající množství odvedené práce, které hodnotím jako nadstandardní. Přílohou práce jsou skripty (v prostředí Matlab) pro výpočet navržených metrik a pro realizaci klasifikací komponent. Práce splnila zadání a celkově ji hodnotím jako velmi zdařilou a doporučuji k obhajobě.
Diplomovou práci Davida Ježka byla radost číst. Téma automatické klasifikace užitečných a šumových složek v datech funkční magnetické rezonance (fMRI) vyžaduje nastudování značně rozsáhlé teorie od samotného MR zobrazování, zpracování fMRI dat, po statistickou analýzu a klasifikační přístupy. V teoretické části práce tak může být těžké rozhodnout, jak detailně danou problematiku popisovat. Jedinou mou drobnou připomínkou k této části tak je občasná přítomnost tvrzení, kterým v textu chybí vysvětlení či kontext, a tak mohou být pro čtenáře jen jakousi hmotou bez obsahu, např. "Patří mezi ně například algoritmus Infomax, který využívá nelineární funkci k maximalizaci přenosu nebo FastICA, která maximalizuje negativní entropii výstupu." Odborná úroveň práce a praktické části je na velmi vysoké úrovni. Se samotným provedením, splněním zadání a jeho jednotlivých částí jsem spokojen a nemám žádné připomínky. Trochu skryta v práci zůstává motivace použití příznaků pro klasifikaci z nástroje Tedana doplněného o několik vlastních metrik oproti výběru příznaků z taktéž představeného nástroje FIX. Tudy pak směřuje i má otázka k obhajobě. Celkově práci hodnotím jako velmi zdařilou a navrhuji hodnocení 95 bodů, A.
eVSKP id 159755