BOUDOVÁ, M. Segmentace skrytých P vln pomocí metod hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Diplomantka Markéta Boudová se ve své práci zabývá návrhem hluboké sítě pro rozpoznání sinusových a skrytých P vln v EKG signálu s využitím referenčního signálu odvozeného z intrakardiálních elektrogramů. Literární rešerše obsahuje teorii k základním principům neuronových sítí a hlubokého učení. Text je zde čtivý a na adekvátní odborné úrovní. Některé zmíněné jevy (explodující, mizející gradient, atd.) by však bylo vhodné uvést do širších souvislostí. V rámci praktické části studentka provedla vlastní implementaci a modifikaci architektury U-Net. Architektura a parametry učení byly následně optimalizovány pomocí metody prohledávání stavového prostoru. Optimalizace byla sice limitována výpočetní a paměťovou kapacitou, rozsah hyper-parametrů byl však zvolen vhodně a z výsledků lze stanovit trend směrem k optimálnímu modelu a procesu učení. Za jednu z hlavních výzev pokladám učení hlubokého modelu v přítomnosti silně nevyvážených klasifikačních tříd a dat s malou četností. Studentka tento problém řeší zavedením některých augmentačních technik. Škoda, že vliv augmentací na učení je vyhodnocen pouze pro celý řetězec a nikoliv pro dílčí transformace. Taktéž je škoda, že do práce nebyla zahrnuta jednosvodová varianta modelu ze semestrální práce. Co se týká samotné segmentace, kvalita modelu je vyhodnocena pomocí adekvátních postupů a výsledky jsou s ohledem na množství dat a přítomnost celé řady obtížně hodnotitelných P vln velmi dobré. Po formální stránce je práce spíše na průměrné úrovni. Větší péči by zasloužilo logické členění a způsob prezentace výsledků. Text by si zde zasloužil alespoň souhrnné tabulky výsledků, aby se v různých variantách čtenář tolik neztrácel. Sazba textu je v některých místech nejednotná, především v oblasti vertikálního rytmu mezi obrázky, titulky obrázků, rovnicemi a odstavci. Nesourodá je také velikost písma v obrazových datech. V textu se místy vyskytují drobné překlepy a nevhodné jazykové obraty. Přes tyto výtky musím jako vedoucí práce hodnotit diplomantku velmi pozitivně. Ke splnění cílů bylo nutné prostudovat velké množství zcela nových poznatků včetně implementačních specifik v jazyce Python a knihovně PyTorch. Studentka k řešení přistupovala samostatně, kreativně a nevyužívá předimplementovaných architektur, jak někdy bývá zvykem. Konzultace byly vedeny na odborné úrovni odpovídající magisterskému stupni. Práce zcela, a vhodným způsobem, naplňuje zadané cíle. Práci celkově hodnotím 85 body.
Předložená práce je věnovaná segmentaci P vln v EKG záznamech se sinusovým rytmem a také s projevy různých arytmií. Studentka implementovala segmentační algoritmus s využitím modifikované a optimalizované hluboké konvoluční sítě U-Net, kterou si vybrala na základě rešerše. Práce je čtivá a je logicky členěná. Obsahuje popis originálních výsledků, kterých studentka dosáhla s využitím unikátních dat od pacientů a moderních algoritmů hlubokého učení, čímž splnila zadání v plném rozsahu. Pro dosažení cílů musela ovládnout jak náročnou teorii o hlubokých sítích, tak způsoby implementace vybraných metod v jazyce Python, což velmi oceňuji. Jako oponent však mám několik výtek k technické zprávě a použitému postupu analýzy dat. Bohužel v práci postrádám jasně formulovanou motivaci pro řešení zadaného úkolu, jako např. vyjádření se autorky k problematice automatické detekce/segmentace P vln a vztah mezi daným technickým problémem a diagnostikou srdečních onemocnění. To se odráží i v přístupu studentky k dostupným EKG signálům, kdy nebere v úvahu „obsahovou“ stránku databáze při vytváření trénovací/testovací/validační množiny a také při stanovení způsobu augmentace dat a výběru kategorií signálů vyžadujících augmentaci (např. méně zastoupené EKG se specifickým tvarem P vln, chybějícími či skrytými P vlnami, apod.). V práci zcela chybí popis zmíněných množin z hlediska zastoupení různých typů arytmií se specifickým charakterem P vln. Interpretace výsledků na těchto množinách je relativně strohá. Hlubšímu pochopení možností a limitací segmentačního algoritmu by jistě prospěl vypočet marginálních metrik, jako např. F1 skóre pro arytmie s potenciálně problematickou segmentací P vln. Pro vizuální posouzení kvality segmentace by bylo vhodnější zvolit jiný formát grafických výstupů (např. vykreslení EKG, referenčních segmentů P vln a výstupu algoritmu ve stejných osách apod.). Autorka sama uvádí některé zdroje chybné segmentace, bohužel však neimplementuje postupy pro post-zpracování výstupu, které by dovolily zdokonalit výsledky segmentace. Po formální stránce je práce na průměrné úrovni s nedostatky v podobě četných překlepů, neuspořádaných citací v textu, chybějícími odkazy na 4 literární položky a místy nevhodné formulace a nevhodný formát grafických ilustrací (např. nejednotný rozsah hodnot na osách stěžující porovnání dvou grafů apod.). I přes uvedené nedostatky, výsledky dosažené autorkou jsou originální a velmi slibné a jistě poslouží jako základ pro navazující výzkum v dané oblasti na ÚBMI. Práci celkově hodnotím jako velmi kvalitní, se stupněm B/83 b.
eVSKP id 134415