ŘÍHOVÁ, B. Potlačení šumu v rentgenových snímcích s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Studentka Barbora Říhová vypracovala bakalářskou práci na téma Potlačení šumu v rentgenových snímcích s využitím hlubokého učení. Teoretická část práce se zabývá principy digitální radiografie a mechanismy vzniku šumu v rentgenových snímcích, dále pak obsahuje přehled konvenčních metod pro redukci šumu v obrazech, popis funkce neuronových sítí a využití těchto sítí k redukci šumu v obrazech. Teoretická část dostatečně pokrývá oblasti nutné k vypracování praktické části práce a je z ní zřejmé porozumění dané problematice. Sekce věnovaná hlubokému učení obsahuje rozsáhlou rešerši existujících metod redukce šumu využívajících neuronové sítě, která tvoří dobrý základ pro implementaci účinného praktického řešení zadání. V praktické části práce studentka adaptovala volně dostupnou architekturu RIDNet, kterou následně trénovala pro zadanou problematiku redukce šumu v rentgenových snímcích. Trénovací data obsahovala umělé i skutečné obrazy, s jejichž pomocí studentka vyzkoušela několik strategií pro naučení sítě. Výsledná efektivita naučených modelů pro redukci šumu byla zhodnocena vizuálně a pomocí vhodně zvolených metrik PSNR, SSIM a zachování hran. Obrazy vytvořené průměrováním radiogramů stejné scény přitom sloužily jako reference pro výpočet použitých metrik. Výsledky vytrénovaných modelů byly navíc porovnány s výsledky konvenční metody redukce šumu BM3D. Diskuse dosažených výsledků opět naznačuje dobré porozumění dané problematice. Zhodnocení efektivity vytrénovaných modelů pro redukci šumu a jejich srovnání s BM3D je patřičně obsáhlé a věcně zmiňuje klady i zápory jednotlivých metod. Výsledky práce mají potenciál pro další využití v rámci laboratoře tomografie na CEITEC VUT. V závěru práce jsou navíc vhodně nastíněny další možné oblasti vývoje implementované metody. Práce je na vysoké akademické úrovni po formální i stylistické stránce. Anglický jazyk práce je na patřičné technické úrovni. Studentka se v textu práce vhodně odkazuje na 55 relevantních zdrojů. Studentka k této práci přistupovala systematicky a organizovaně, a pravidelně konzultovala jak textovou, tak praktickou část jejích výstupů. Všechny body zadání bakalářské práce byly splněny, a tudíž ji doporučuji k obhajobě a hodnotím ji jako výbornou (A – 100 bodů).
Studentka se v práci zabývala redukcí šumu v rentgenových snímcích. Práce působí zdařile, stylisticky a po formální stránce nemám výhrad. Text je čitelný srozumitelný, ze kterého vyplývá, že studentka danému tématu dobře rozumí. V praktické části navrhla vhodnou metodiku celého experimentu, který ověřuje možnosti využití modelu hlubokého učení na experimentálních datech. Implementovala dataloader, který úspěšně aplikovala na převzatý model. Vhodně zvolila metriky hodnocení i použité datasety pro učení. Smysluplně pak diskutuje dosažené výsledky a porovnává tři naučené modely hlubokého učení. Nicméně dle mého vkusu v teoretické části studentka zbytečně popisuje teorii nesouvisející se šumem v obrazech, a přitom některé části by zasloužili naopak rozšířit, zejména vágní a stručná teorie šumu (1 str). (dále vágní popis BM3D, kapitola “Gradient descent” popisuje spíše proces učení sítě než metodu GD, laický popis metod v rešerši, a ne úplně aktuální, možná lépe kategorizovat). Kapitolu 4 z části považuji spíše za teoretickou, kde studentka popisuje převzaté teoretické poznatky (převzatou síť RIDnet, NanoCT systém a statistické metriky) až na “4.3 Datasets”, který je skutečně praktickým přínosem studentky. Z textu práce je někdy těžké rozpoznat, co je vlastním přínosem studentky a co je převzaté. U vyhodnocení dat z fantomu a analýze hranového profilu mi chybí jakákoli snaha o objektivní vyhodnocení. (třeba již navrženou metodikou z hodnocení reálných dat) Dále se v práci objevují některá tvrzení, se kterými nesouhlasím či drobné nedostatky. (např. Sobelův oprátor je algoritmus pro detekci hran; důvody, proč autoři převzatého modelu použili rozdělení obrazu na minipatche nebo nestejnorodý počet desetinných míst v tabulce 5.1). Celkově hodnotím práci jako zdařilou, až na drobné připomínky, jejichž doladění by dotáhlo práci k dokonalosti. Práci považuji za kvalitní a hodnotím stupněm A 90b.
eVSKP id 159719