NOHEL, M. Segmentace optického disku v obrazových datech sítnice [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Student Michal Nohel se ve své diplomové práci věnoval segmentaci optického disku a cupu v barevných snímcích sítnice. V první fázi se student zaměřil především na předzpracování obrazů. Dále zvolil dvě architektury neuronových sítí a provedl komplexní testování, vyhodnocení a srovnání s dalšími pracemi. Zvolené postupy jsou správné, dosažené výsledky považuji za kvalitní a použitelné v rámci dalšího výzkumu na UBMI. Student konzultoval výsledky a postupy dle potřeby, pracoval aktivně a samostatně. Podařilo se mu vytvořit kvalitní a kompaktní text shrnující to podstatné z odvedené práce. K práci nemám závažnější připomínky a hodnotím ji stupněm A/90b.
Předložená diplomová práce sestává z pěti kapitol, přičemž první je úvod a poslední závěr. Literaturu počítám jako separátní sekci práce. Úvod obsahuje vysvětlení, z jakého důvodu student považuje problematiku za důležitou a v čem by měla být jeho práce přínosná. První kapitola shrnuje teoretické poznatky v dané oblasti, a to nejen z lékařského pohledu, ale i v oblasti umělé inteligence. Důležité pojmy a významná tvrzení jsou korektně citována a je zde jednoznačně dohledatelný původ v seznamu literatury. K této kapitole nemám žád-ných výhrad. Členění je zde logické, na sebe navazující a jsou vysvětleny všechny stěžejní pojmy. Kvituji s povděkem, že zde nejsou uváděny úplné základy neuronových sítí. Druhá kapitola popisuje tvorbu databáze, resp. obsahuje popis existujících databází, jakým způsobem je data třeba předzpracovat a připravit pro učení neuronovou sítí. Mezi veřejně dostupnými databázemi neschází žádná významná. Pro úplnost uvádím, že na pracovišti FIT VUT v Brně se ve výzkumné skupině STRaDe nachází další databáze, která je určena pro interní využití na VUT v Brně, tj. příště je možné trénovat umělou inteligenci i na této data-bázi. Zvolené metody předzpracování snímků jsou rozumné a běžně používané. Pro norma-lizaci velikosti poukazuji na disertační práci Ing. Lukáše Semeráda, Ph.D., kde se uvádí možnost využití detekovaného těžiště optického disku a těžiště fovei. Úsečka mezi nimi sta-novuje nejen rotaci snímku sítnice, ale zároveň i normativní rozměr velikosti obrázku sítni-ce. Toto uvádím pouze jako doplnění pro rozšíření současného stavu práce, např. v průběhu doktorského studia. Třetí kapitola se věnuje samotnému praktickému přínosu studenta a je již plně jeho vlast-ním řešením, založeným na neuronových sítích U-Net (2 modely) a nnU-Net (2 modely). Je-likož se jedná o předdefinované neuronové sítě (toto je dnes obvyklý postup), bylo hlavním úkolem pana Ing. Nohela zejména nalézt vhodná data na učení, správně rozdělit dataset a síť korektně natrénovat, aby dávala správnou odezvu dle známých metrik, které jsou uve-deny v podkapitole 3.1. Shrnutí dosažených výsledků a srovnání se s aktuálním stavem v dané oblasti je plně korektní a neshledal jsem zde žádný problém či pochybení. Je zřejmé, že řešení studenta je plně srovnatelné s jinými řešeními. Zároveň chválím i využití snímků z fundus kamery, která je dostupná na pracovišti ÚBMI FEKT VUT v Brně. Celkový závěr práce v poslední kapitole velmi trefně shrnuje celou práci. Vůbec není pře-kvapivé, že strojová segmentace pomocí neuronové sítě je přesnější, než ručně prováděná segmentace. Práce obsahuje všechny podstatné části, které se u diplomové práce očekávají. Rozsahově však hodnotím práci spíše za mírně kratší - očekával bych kolem 80 stran v tištěné podobě (požadavky na minimální počet normostran na FEKT VUT v Brně neznám). Jednotlivé kapito-ly jsou rozsahově vyvážené, logicky na sebe navazují a je znatelný předěl mezi převzatými částmi a vlastní tvorbou studenta. Po typografické a jazykové stránce hodnotím práci rov-něž za zdařilou. Zdrojové kódy jsou přehledné, komentované a odpovídají normám v programování. Mé souhrnné hodnocení tedy odpovídá celkovému velmi pozitivnímu dojmu z práce. Navrhuji proto hodnocení stupněm výborně A (92 bodů).
eVSKP id 152001