VÍDEŇSKÁ, P. Segmentace klenby lebeční u pacientů po kraniektomii [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Studentka se vypracováním tématu diplomové práce zabývala velmi aktivně po celou dobu řešení, kdy pravidelně využívala konzultací a na které přicházela připravená, s dílčími výsledky a konkrétními dotazy. Téma práce bylo iniciováno právě studentkou z hlediska její nynější spolupráce s externí firmou, která také poskytla anotovaná data. V počáteční fázi nastudovala potřebnou odbornou literaturu, vypracovala teoretickou rešerši, přičemž využívala relevantní odborné zdroje, které řádně cituje a uvádí v seznamu literatury. Předložená rešerše a teoretický rozbor je přiměřeného rozsahu, místy se vyskytují neodborné fráze, někdy velmi stručný až povrchní popis, nicméně celkově po odborné i formální stránce stále odpovídá magisterské úrovni. V praktické části studentka navrhla a implementovala segmentační architektury konvolučních neuronových sítí a to ve 2D a 3D režimu. Na základě dosažených výsledků studentka optimalizovala parametry a otestovala své vlastní návrhy pro „post-processingové“ úpravy. Součástí práce jsou získané objektivní výsledky s náležitými grafickými ukázkami výsledné segmentace, které přispívají k jejich komplexní prezentaci a diskuzi. Celkově práci hodnotím jako zdařilou, a konstatuji, že studentka prokázala schopnosti vytvořit odborné dílo v moderní oblasti biomedicínského inženýrství a to na velmi dobré úrovni. Hodnotím stupněm A - 90 b.
Studentka se ve své diplomové práci zabývá automatickou segmentací lebečních kostí pacientů po kraniektomii. K řešení je v práci využito metod strojového učení, konkrétně konvolučních neuronových sítí typu U-Net. Studentka navrhla, implementovala a otestovala 2D i 3D verzi této architektury na dostupných datech a dosažené výsledky vzájemně objektivně i subjektivně porovnala, včetně několika možností následného dočištění segmentovaných obrazů. Po formální stránce je práce na dobré úrovni s několika drobnými nedostatky (občasné typografické chyby, nevysvětlená zkratka ALARA, ISBI, nesjednocené zkratky IoU, IOU a Jaccard, apod.). Po odborné stránce má práce několik nedostatků, jako faktické nepřesnosti v teoretickém popisu některých metod (ReLU funkce, ADAM) či občasné neodborné vyjadřování (pixel/voxel). V teoretické části práce postrádám detailnější, nebo alespoň nějaký, popis některých metod, které jsou pro řešení práce stěžejní (např. algoritmus ADAM, ztrátová funkce vzájemné entropie, použité aktivní kontury, batch normalizace, transponovaná konvoluce). Teoretický popis některých metod by mohl být zařazen mimo praktickou část práce (Dice a fokální ztrátová funkce, popis architektury MobileNetv2). V popisu řešení postrádám informace o konkrétním nastavení celé řady důležitých metod, parametrů a hyperparametrů (např. počty filtrů ve finálních sítích, gama a alfa u fokální ztrátové funkce, L2 regularizace, ADAM, použitý typ aktivních kontur a jejich parametry). V práci bych očekával zdůvodnění volby použité architektury nebo metrik hodnocení úspěšnosti. U některých zmíněných metod/architektur či u databáze ImageNet postrádám citace. Studentka využila řadu relevantních a zahraničních zdrojů. V seznamu referencí mohly být uvedeny také identifikátory jednotlivých zdrojů (ISBN, ISSN, DOI). Kladně hodnotím detailní vyhodnocení dosažených výsledků včetně jejich vzájemného porovnání a diskuse. Dle prezentovaných výsledků je zřejmé, že studentkou navržená metoda má potenciál k praktickému využití při plánování kranioplastických zákroků. Všechny body zadání považuji za splněné a s přihlédnutím k výše zmíněnému hodnotím práci stupněm C (78 bodů).
eVSKP id 126852