POSPÍŠIL, J. Potlačení šumu a artefaktů ve fMRI datech s využitím analýzy nezávislých komponent a multi-echo dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Diplomová práce se zabývá potlačením artefaktů a šumu v multi-echo fMRI datech pomocí analýzy nezávislých komponent. Jednalo se o implementaci principu, který byl popsán v odborné publikaci, avšak není zatím dostupný pro komunitu uživatelů využívajících ke zpracování fMRI dat softwarové prostředí Matlab. Současně, jak se při řešení práce ukázalo, nejsou v literatuře dostatečně popsány všechny praktické aspekty a hodně úsilí bylo věnováno odlaďování a testování dílčích částí celého procesu (výpočet ICA na fMRI datech, výpočet hodnotících metrik, finální identifikace arteficiálních komponent). Student přistupoval k realizaci odpovědně, účastnil se pravidelně konzultací a prezentoval průběžně dílčí výsledky. Vzhledem k nutnosti věnovat mnoho času zmíněnému testování a odlaďování se na závěr nedostalo již tolik pozornosti detailnějším způsobům srovnání efektů filtrace. Nicméně i tak se podařilo splnit všechny body zadání. Po formální stránce je práce zpracována podle požadavků a má spíše nadstandardní rozsah 98 stran. Formální úprava i jazyková úroveň je dobrá, ale občas se objevují nezvyklé varianty překladů odborných termínů z AJ do ČJ či nekonzistence použitých výrazů (např. na obr. 2.1. je v popisku „volumová“ cívka, v kapitole 2.2. se již píše o objemové; v kapitole 3.5. je použit termín magnetická citlivost, ale na jiných místech se používá standardní fyzikální označení magnetická susceptibilita; v kapitole 6.5. se objevuje slovo „kluster“; atd.). V praktické části na stranách 83-87, v tabulkách s přehledem hodnot sledovaných parametrů u všech osob, je mírně matoucí pravý sloupec % rozdíl, protože u „počtu nadprahových voxelů celkem“ je to rozdíl mezi nefiltrovanými a filtrovanými daty, kdežto u podkategorií (šedá hmota atd.) je to rozdíl procentuálního zastoupení dané kategorie ze všech nadprahových voxelů, což je vysvětleno až v textu níže. Práce splnila zadání a celkově ji hodnotím jako velmi zdařilou a doporučuji k obhajobě.
Předložená diplomová práce popisuje postup odstranění šumu z fMRI dat pomocí ICA dekompozice a klasifikace jednotlivých komponent na šumové a užitečné. To je provedeno pomocí parametrů modelu získaných díky měření fMRI dat s více echo časy. Uvedený postup je velmi zajímavý a má potenciál pomoci získávat čistější fMRI data. Z hlediska splnění zadání byl bod 1 splněn s výhradou a ostatní body byly splněny kompletně. U bodu 1 mám výhradu k literární rešerši. Na jednu stranu je obsáhlá, možná až příliš a některé kapitoly nejsou pro tuto práci podle mého názoru nutné (například kapitola s „Konstrukční řešení MR“). Na druhou stranu vzhledem k tomu, že se práce zabývá využitím multiecho fMRI dat k potlačení artefaktů, chybí alespoň jeden odstavec věnovaný popisu a výhodám multiecho fMRI dat. Diplomová práce bohužel obsahuje velké množství překlepů, které jsou místy úsměvné („budou představeny potupy zajišťující odstranění nežádoucích vlivů“, …) ale často působí rušivě. I když je práce vysázena pomocí programu latex, překlepy a gramatická stránka by si v odborném textu určitě zasloužily výrazně více pozornosti. Části práce jsou psány srozumitelně a logicky, jiné části ale obsahují neodborné pojmy, věty se špatnými slovosledy, nepřesnosti, nesmyslné věty, protiřečící si věty a gramatické chyby. Dále bych k formální stránce vytknul chybějící citace části rovnic, neindexovanou tabulku na straně 89 a chybný odkaz na obrázek 6.8 místo 6.9 na straně 71. Odborné stránce bych chtěl vytknout nedostatečný popis použitých dat, volbu prezentace výsledných dat pětistránkovou tabulkou místo grafické prezentace například boxplotem, a v některých případech použití zastaralé literatury. Konkrétně například student uvádí na straně 24 a opakovaně na straně 25 citací (Válek a Žižka, 1996) a podruhé (Nekula a Chmelová, 2007), že se pro klinické aplikace používají MR skenery o síle pole 0.3 – 3T a pro výzkumné účely do 7T. V současnosti jsou již používány i MR skenery o síle pole 7T pro klinické využití a například univerzita v Minesotě používala již v roce 2017 MR skener pro humánní výzkum o síle pole 10.5T. Pozitivně hodnotím implementaci algoritmu pro odstranění šumu, kdy student po zjištění, že kritéria pro rozlišování mezi komponentami nejsou dostatečně jednoznačná přidal dodatečná kritéria tak, aby bylo snadnější rozlišovat komponenty na šumové a užitečné. Samotné řešení problému práce i diskuse výsledků byla mimo zmíněnou kritiku v pořádku, v práci se ale vyskytují chyby odborného i formálního charakteru. Hodnotím proto práci známkou C, 78 bodů.
eVSKP id 134443