HRTOŇOVÁ, V. Využití strojového učení pro generování medicínských obrazů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Téma bakalářské práce je z oblasti metod strojového učení, konkrétně generování obrazů s využitím generativních neuronových sítí. Zdůrazňuji, že tato problematika svou odborností a náročností vysoce převyšuje standardní úroveň bakalářského stupně a požadavky kladené na takové závěrečné práce. Studentka velmi aktivně a svědomitě pracovala na řešení daného problému. Pravidelně využívala konzultací, kde s přehledem prezentovala a diskutovala průběžné výsledky. V počátcích řešení prokázala schopnosti nastudovat a vypracovat velmi kvalitní rešerši na dané téma s využitím relevantní odborné literatury. Praktickou část studentka řešila velmi samostatně, přicházela s vlastními nápady, přičemž využívala nabyté znalosti z nastudované literatury. Předložená práce má logickou strukturu, z formálního hlediska je na vysoké úrovni, samotný text je velmi čtivý, s minimem faktických nepřesností či překlepů. Závěrem lze konstatovat, že studentka se tohoto obtížného tématu zhostila na výbornou, odvedla velmi kvalitní práci a díky píli a kvalitám studentky vzniklo bakalářské dílo na velmi vysoké úrovni. Hodnotím stupněm A - 100 bodů.
Studentka se ve své bakalářské práci zabývala využitím generativních neuronových sítí pro syntetizaci medicínských dat. Formální, prezentační i jazyková stránka práce je až na několik drobností na velmi dobré úrovni. Některé popisy obrázků v seznamu by mohly být detailnější (např. Axiální řez apod.). Práce obsahuje několik překlepů (např. kap. 2.3.1, 2. věta nebo kap. 4.1.2 poslední věta 1. odstavce předzpracování dat, odkaz na nesprávný obrázek v kap. 4.1.1). Řazení kapitol je přehledné a text logicky navazuje. Poměr teoretické a praktické části je vyvážený a rozsah odpovídá požadavkům kladeným na bakalářské práce. Oceňuji použití velkého množství relevantních, zejména zahraničních zdrojů, které jsou vhodně použity. Některé odkazy na literaturu v textu by nicméně mohly být použity více bezprostředně po dané zmínce místo na konci celého odstavce. Po odborné stránce je práce na dobré úrovni, která je však snížena občasnými nepřesnostmi (např. kap. 1.4, 2. odstavec, 2. věta; v rovnici 1.3 „L“ není gradient; str. 9, poslední věta, „alfa“ není gradient). Popis některých metod není správný nebo je nepřesný, jako například popis batch normalizace v kap. 1.6.5 nebo popis rozdílu mezi stochastickým a standardním gradientním sestupem v kap. 1.4.2. Dále bych netvrdil, že pro zajištění konvergence této optimalizace je nutné postupně snižovat velikost učebního kroku, tím není ani zajištěna konvergence a ani to není nutné. Nepřesné je i tvrzení, že zde neroste doba potřebná k aktualizaci parametrů v jedné iteraci. Stejně tak v popisu dropout regularizace není pravda, že je snížen počet parametrů modelu. Poslední připomínku mám k záměně pojmů kódující/dekódující síť v celé praktické části (patrno např. na Obr. 5.3). Naopak velmi pozitivně hodnotím kvalitní rešerši existujících metod i kritickou diskusi dosažených výsledků. Z popisu praktické části i odevzdaných zdrojových kódů je vidět, že studentka úspěšně navrhla, implementovala a otestovala několik možností generativních soutěživých sítí. Oceňuji, že studentka provedla testování na různých obrazových databázích odlišného charakteru, a také experiment generující i syntetické masky, což vede k možnostem plně samostatného generátoru bez nutnosti dostupných dat. Prezentované výsledky jsou velmi zajímavé a ukazují potenciál těchto metod; plně tedy souhlasím se závěry práce. Všechny body zadání považuji za splněné a musím konstatovat, že zadání bakalářské práce svým obsahem přesahuje látku probíranou na bakalářském stupni. Studentka však prokázala schopnosti danou problematiku nastudovat a samostatně implementovat; i přes výše uvedené menší nedostatky tak hodnotím práci stupněm A (90 bodů).
eVSKP id 134387