URBANOVÁ, H. Segmentace nádorových lézí ledvin v CT datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Téma diplomové práce vychází z vlastní iniciativy studentky, která projevila zájem o oblast moderního zpracování obrazů při výběru tématu. Konkretizace vlastního zadání vyplynulo z veřejně dostupné databáze v rámci odborné výzvy z oblasti medicínského zpracování obrazů, které si studentka sama zvolila. K samotnému vypracování řešení přistupovala velmi aktivně a pravidelně využívala konzultací již od počátku semestru. Předložená teoretická část práce je na dobré úrovni odpovídající požadavkům magisterské úrovni, nicméně občas působí jen stručným přehledovým dojmem a neodborně, a z tohoto důvodu plně nevypovídá o hlubším pochopení řešené problematiky. V praktické části studentka získala několik modelů založených na konvolučních sítích, které v rámci dostupné anotace otestovala a jejich výsledky řádně prezentuje a diskutuje. Jelikož prezentované výsledky nejsou příliš uspokojivé pro možné praktické využití, ocenil bych zde alespoň hlubší analýzu problematických případů. Nicméně, z hlediska požadavků na závěrečné práce magisterské úrovně konstatuji, že studentka prokázala schopnosti vytvořit odborné technické dílo na dobré úrovni. Celkově hodnotím práci jako zdařilou a hodnotím stupněm B - 88 bodů.
Práce se zabývá segmentací nádorů ledvin v obrazech z CT. Studentka se zaměřuje na metody s využitím hlubokého učení, kde využívá segmentační konvoluční neuronovou síť U-Net. Po formální stránce je práce na dobré úrovni a kapitoly logicky navazují. Práce obsahuje dostatek kvalitních referencí, ty však nejsou dostatečně využity. Popis mnohých metod je strohý a povrchní, což svědčí o tom, že studentka danou problematiku nepochopila. U mnohých metod (například u optimalizačních algoritmů) studentka namísto vysvětlení základních principů zmiňuje pouze stručné historické okénko. Práce obsahuje celou řadu nepřesností a nepravdivých tvrzení, jako například chybný popis stochastického gradientního sestupu. V práci také postrádám rešerši metod zaměřujících se specificky na segmentaci ledvin a nádorů ledvin. Studentka popisuje pouze metody segmentace obecně, což se však týká prvního bodu zadání. Jelikož se jedná o veřejně dostupná data navíc spojená s výzvou, tak jsou snadno dohledatelné výsledky participujících týmů a bylo by je tedy vhodné v práci pro srovnání uvést. Prezentované ukázkové obrázky výsledků segmentace obsahují podivný artefakt, který se v původních obrázcích nenachází a bude patrně způsobený nevhodnou manipulací s kontrastem obrázku. Pouhé využití běžně používané sítě U-Net, navíc na předpřipravený veřejně dostupný dataset, považuji za nepřiměřené magisterské úrovni, zvláště když je navíc dosaženo velmi špatných výsledků. Studentka pouze testuje několik drobných obměn stejné sítě, což však k výraznému zlepšení nevedlo. K výraznému zlepšení by mohlo vést například prvotní detekování oblasti ledvin (které jsou v databázi také označeny) s následným omezením se pouze na tuto oblast. Alternativně by šlo výsledky sítě dále zpracovat a odstranit vysegmentované objekty mimo oblast ledvin. Studentka se však o podobné možnosti zlepšení nepokouší a ani tyto možnosti nediskutuje. Dále považuji za velmi nevhodnou provedenou min-max normalizaci jednotlivých řezů, což zcela odstraňuje kvantitativní informaci původního CT čísla. Provedená „optimalizace hyperparametrů“ je prezentována velmi nesystematicky. Jelikož všechny použité modely obsahují pouze drobné modifikace, bylo by proto vhodné uvést například tabulku shrnující tyto modifikace, případně modely na místo čísla pojmenovat dle testované modifikace. Postrádám také snahu a augmentaci dat. I přes zmíněné nedostatky práci doporučuji k obhajobě a hodnotí stupněm D (69 bodů).
eVSKP id 126850