HORÁKOVÁ, P. Optimalizace pro registraci obrazů založená na genetických algoritmech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.
Studentka se měla zabývat optimalizací založenou na genetických algoritmech a její využití při registraci medicínských obrazů. V první části práce je podrobně popsána teorie registrace obrazů a také přehled optimalizačních metod. Největší část se věnuje genetickým algoritmům. V další části se studentka zabývá návrhem optimalizační metody a také volby vhodných testovacích dat. V praktické části práce studentka vytvořila globální optimalizační metodu založenou na genetických algoritmech, kterou doplnila o zpřesnění pomocí gradientní metody, tímto vznikla speciální hybridní metoda. Metoda byla otestována a její výsledky byly srovnány hned s několika dalšími metodami a výsledky byly dostatečně konzultovány. Zadání práce je splněno v plném rozsahu. Studentka k práci přistupovala aktivně, využívala konzultací a chválím vysokou odbornou úroveň při řešení dílčích úkolů. Po formální stránce je práce na výborné úrovní, příkladná je rovněž práce s literaturou.
Předkládaná diplomová práce se zabývá využitím genetických algoritmů pro registraci medicínských obrazů. Práce je zpracována na 72 stranách a členěna do 8 kapitol. V teoretické části práce se studentka věnuje registraci obrazů, optimalizačním metodám a genetickým algoritmům. Tato část je kvalitně zpracována, předkládaný text má logickou strukturu a je bohatě odkazován na velké množství kvalitních zdrojů. Studentka se zde však dopouští několika nepřesností. Simplex je v dvourozměrném prostoru definován jako obecný, nikoli rovnostranný, trojúhelník. Uvedené doporučené pravděpodobnosti křížení a mutace u popisu genetického algoritmu jsou příliš nízké. U popisu Rosenbrockova sedla se nejedná o globální maximum, ale minimum. V praktické části práce studentka implementovala genetický algoritmus v prostředí Matlab a pro zlepšení výsledků jej doplnila o heuristický algoritmus hledání lokálního extrému. Popis vytvořených funkcí je srozumitelný a doplněný názorným vývojovým diagramem. Výhrady mám k popisu dílčích bloků genetického algoritmu. Z textu práce se čtenář nedozví, zda byl použit binární nebo spojitý genetický algoritmus. Obě tyto varianty jsou popsány v teoretické části práce. Rovněž není z textu zřejmé jaké byly použity metody křížení a mutace, a jaké jsou jejich pravděpodobnosti. Tyto informace musí čtenář pracně získat ze zdrojových kódů. Testování navrženého algoritmu provedla studentka na sadě testovacích funkcí a ověřila funkčnost pro rigidní registraci medicínských obrazů z různých modalit. Dále je provedeno srovnání s implementovanými metodami v Matlabu. Získané výsledky jsou bohatě diskutovány s ohledem na správnost řešení a časovou náročnost optimalizace. Závěry vyvozené studentkou jsou zcela správné. Zadání považuji za splněné, nadstandardně hodnotím část, která se věnuje testování navrženého algoritmu a diskusi výsledků. Práci doporučuji k obhajobě a hodnotím ji známkou výborně (A – 93 bodů).
eVSKP id 51856