PHAM, M. Segmentace MRI dat s využitím metody narůstání oblastí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.
Student měl prostudovat možnosti segmentace 3D dat z magnetické rezonance a implementovat metodu narůstání oblasti. V první části ve spolupráci se studentem Michailem Siminichadisem měli navrhnout a realizovat jednoduchý prohlížeč 3D dat, ale finální verzi prohlížeče si každý upravil pro své účely. Student pak dále zcela samostatně navrhl a implementoval metodu segmentace založenou na narůstání oblasti. Výsledný algoritmus je funkční a dostatečně otestován jak na syntetických datech, tak i na reálných datech z magnetické rezonance. Výsledná aplikace bude v budoucnu využitá pro demonstrační účely v laboratorních a počítačových cvičeních. Student k práci přistupoval aktivně, využíval konzultací, ale rovněž prokázal nadprůměrnou schopnost samostatně řešit dílčí problémy. Předložená práce splňuje požadavky kladené na kvalitu a zpracování závěrečné práce.
Bakalářská práce studenta Pham Minh Tuana se věnuje návrhu prohlížeče 3D MRI dat a problému segmentace těchto dat metodou narůstání oblastí. V teoretické části práce student zdařile prezentuje základní souhrn segmentačních metod a popisuje samotnou metodu narůstání oblastí. Vzhledem k množství odborných článků, které se věnují využití metody narůstání oblastí pro segmentaci medicínských dat, bych očekával, že alespoň z některých bude student při psaní práce čerpat a popis metody bude obsáhlejší. V praktické části student realizoval jednoduchý prohlížeč 3D MRI dat, který je přehledně zpracovaný a funkční, ale vytknul bych nemožnost nahrání vlastních dat (zpracovávat lze pouze testovací data uložená v Matlabu, která se po načtení poněkud nestandardně zobrazují v pseudobarvách). Do prohlížeče student úspěšně implementoval modul pro segmentaci dat metodou narůstání oblastí. K samotné segmentaci mám pouze jednu výtku a to naprogramování pouze statického kritéria pro přidání nového voxelu. Pro zobrazení výsledné segmentace by bylo vhodnější použít např. poloprůhlednou barevnou vrstvu než nahrazení voxelů segmentu konstantou, autor by se tak vyhnul výrazné změně jasu všech ostatních voxelů obrazu (obr. 10.5). V poslední části autor testuje na reálných datech i na fantomu citlivost segmentace na impulzní a Gaussovský šum. Zde bych vytkl, že autor nevysvětlil, jakým způsobem došel k referenční velikosti vysegmentované oblasti vel_reg v tabulkách 11.3 a 11.4 a dále je chybně pojmenovaná veličina, která udává míru postižení obrazu impulzním šumem. Úprava bakalářské práce je na velmi dobré úrovni, vytkl bych pouze nevhodné členění (12 kapitol je na bakalářskou práci zbytečně mnoho). Vzhledem k faktu, že čeština není studentův mateřský jazyk, zdržuji hodnocení stylistické a gramatické úrovně práce. Závěrem konstatuji, že předložené algoritmy jsou plně funkční, zadání práce bylo splněno a vzhledem k výše zmíněným nedostatkům hodnotím stupněm C 75b.
eVSKP id 51783