MOCKO, Š. Využitie pokročilých segmentačných metód pre obrazy z TEM mikroskopov [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Študent Štefan Mocko vypracoval diplomovú prácu na téma Využitie pokročilých segmentačných metód pre obrazy z TEM mikroskopov. Študent riešil zvolené zadanie svedomito, veľmi samostatne a s patričným zápalom. Konzultácie využíval občasne, hlavne ako monitoring vlastného progresu. Na základe nadobudnutých znalosti a rozsiahlych praktických testov následne vypracoval a odovzdal kvalitnú diplomovú prácu. Odovzdaný text práce je prehľadne členený. V teoretickom úvode vhodne popisuje vlastnosti TEM mikroskopov, parametre akvizície, segmentačné metódy obrazu ako aj architektúru a vlastnosti konvolučných neurónových sieti. Praktická časť následne zoznamuje čitateľa s implementáciu zvolenej pixel-wise segmentácie založenej na konvolučnej neuronovej sieti s modernou architektúrou U-Net. Záver práce tvorí vhodne zvolený prehľad a hodnotenie nadobudnutých výsledkov. K práci musím podotknúť, že výhradne využitie segmentácie pomocou neurónových sieti bolo iniciované mnou vzhľadom k robustnosti tejto metodiky v prípade rôzneho charakteru vstupného obrazu (viď. Fig. 4.2). Absenciu rozsiahlejších testov iných pokročilých metód segmentácie preto nepokladám za chybu. Zadanie bolo splnené v plnom rozsahu a predložená práca je na veľmi dobrej úrovni. Aj napriek niekoľkým technickým nedostatkom hodnotím túto prácu ako výbornú A (92 bodov).
Student se ve své diplomové práci zabýval binární segmentací obrazů pořízených pomocí TEM. V práci jsou stručně a přehledně popsány základní principy transmisní elektronové mikroskopie. Následuje rešerše metodik segmentace obrazů, včetně konvolučních neuronových sítí. Dále jsou v práci popsány některé aktuální topologie neuronových sítí. Rešerše segmentačních metod obsahuje z velké části obecně známé, základní nebo velmi zastaralé přístupy (s často citovaným zdrojem [27] na české internetové stránky s poslední aktualizací z ledna roku 2006), které jsou však v práci často popsány velmi povrchně. Řada běžně používaných segmentačních metod, teoreticky vhodných pro danou problematiku, není v práci vůbec zmíněna. V této části práce jsou také citovány publikace, které nemají s danou částí téměř žádný vztah (např. [26,31], které pojednávají o Graph-Cuts, v práci nezmíněných). Seznam referencí také obsahuje řadu položek, které nejsou v práci nikde použity (např. [23,46]). V praktické části student řešil volbu vhodného frameworku pro učení konvoluční neuronové sítě, volbu učebních a testovacích dat, rozšíření učební databáze, použitý hardware, volbu vhodné sítě a učebního algoritmu, a volbu metodiky vyhodnocení výsledků. Výběr architektury U-Net byl proveden na základě přesně definovaných požadavků, a pro daný problém segmentace je velmi vhodný. Rozšíření databáze bylo vhodně provedeno na základě předpokládaných reálných scénářů akvizice obrazových dat, a to náhodnou rotací, škálováním a pružnou geometrickou deformací; navíc bych očekával také běžně používanou (a v praxi očekávatelnou) translaci obrazu. Kapitoly 4.6 a 4.7 obsahují z velké části teoretický popis učení neuronové sítě, aktivačních funkcí a metodiky hodnocení dosažených výsledků, který bych očekával spíše v teoretické části než ve vlastním řešení; tím spíše, že student nakonec ponechal všechna nastavení (kromě počtu epoch učení) ve výchozím nastavení sítě U-Net. Matoucí je také popis sigmoidální aktivační funkce v kapitole 4.6.3, která pravděpodobně nebyla vůbec použita. Kapitola 5 se zabývá vyhodnocením výsledků a vhodně diskutuje vliv zvolené velikosti rozšířené učební množiny a počtu epoch učení. Nejasná je ovšem volba finální testovací množiny, kdy není patrné, jak velká je skutečně testovací sada mimo učení sítě. Z obrázku 4.1 vyplývá, že bylo vybráno 6 testovacích obrazů, nicméně nikde není zmíněno, jakým způsobem byly tyto obrazy vybrány, zda byly také rozšířeny nebo jsou finální výsledky vypočteny pouze z 6 hodnot; z krabicových grafů (Obr. 5.4 a Obr. 5.5) je však patrné, že obsahují více než 6 hodnot. Pozitivně hodnotím snahu o srovnání s dalšími segmentačními přístupy, nicméně nejsem přesvědčen o jejich vhodné volbě vzhledem k zadané problematice; v bodě 5 zadání je navíc uvedeno, že má být provedeno srovnání dosažených výsledků s ostatními komerčně dostupnými metodami, což zde postrádám. Na konci závěru student zmiňuje, že prováděl různé změny v nastavení a v architektuře sítě, nicméně konkrétní úpravy ani výsledky nikde v práci neuvádí, což je škoda a snižuje to celkový dojem z práce. Věřím, že při vhodné optimalizaci, by síť mohla dosahovat ještě lepších výsledků než s výchozím nastavením. Po formální stránce je práce na dobré úrovni s výhradami na několik drobných nedostatků jako jsou chybějící odkazy v textu na některé obrázky (Obr. 1.4, Obr. 1.5, Obr. 3.7, Obr. 4.1), nedostatečný popis některých rovnic nebo obrázků (Rov. 1.1, Rov. 1.2, Obr. 1.5, Obr. 2.2, apod.), odkazy na špatné obrázky (Kap. 3.2.5 figure 4.2, figure 4.3), a občasné překlepy. Student hojně využíval (94 zdrojů) zejména zahraniční literatury. Zadání práce považuji za splněné. Práci doporučuji k obhajobě a hodnotím stupněm C (78 bodů).
eVSKP id 110564