ČERNOHORSKÁ, L. Klasifikace arteriálního a žilního řečiště v obrazových datech sítnice [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Studentka Lucie Černohorská se zabývala klasifikací tepenného a žilního řečiště ve snímcích sítnice pomocí metod hlubokého učení. V první fázi diplomové práce se zabývala především vytvořením vhodné sady dat pro trénování a také metodikou pro určení A/V poměru. V další části pak pracovala na implementaci sítě U-net pro zmíněnou klasifikaci s využitím prostředí Python a Keras. Dosažené výsledky nejsou zcela uspokojivé, avšak i přes intenzivní konzultace v poslední fázi projektu se nepodařilo odhalit příčinu. Studentka tak v práci prezentuje výsledky jen části testů, které celkově provedla. Příčiny neúspěchů pak v práci diskutuje. Diplomantka se řešení diplomové práce věnovala od začátku akademického roku, avšak konzultace během letního semestru mohly být častější. Zvláště pokud dosahované výsledky nebyly dostatečně slibné. Nicméně aktivita a schopnost studentky prostudovat a implementovat zvolené postupy ukázala, že je schopna zadaný úkol komplexně řešit. Práci tak hodnotím stupněm B/85.
Téma práce, včetně její motivace, je velmi aktuální, nabízí široké možnosti řešení a analýzu dané problematiky s vysokým potenciálem pro vznik kvalitní diplomové práce. Je škoda, že studentka tohoto potenciálu plně nevyužila, nicméně zadání práce lze považovat za splněné. Součástí práce je teoretický rozbor, který je zejména v technické oblasti popisu strojového učení místy velmi neodborný, se spoustou faktických chyb či nepřesností. Z tohoto důvodu předložená teoretická část práce nevypovídá o dostatečném pochopení zadané problematiky, u které je vyžadováno mnohem hlubších znalostí pro následnou správnou realizaci řešení. Za zbytečné považuji např. v teorii příliš podrobný popis klasických neuronových sítí a jejich základní architektury nebo výskyt elementární obrázků, které nijak nedoplňují vysvětlení problematiky. K dispozici byla sada snímků, a to oftalmoskopické videozáznamy a k nim odpovídající barevné snímky z Fundus kamery, včetně dostupných segmentací cév. Návrh řešení (kap. 3) je podán velmi stroze, nelogicky, místy připomíná spíše realizaci, přičemž jeho velká část neodpovídá návrhu řešení ale ryzí teorii. První stádium praktické části hodnotím kladně, kde studentka za pomoci nejrůznějších volně dostupných nástrojů vytvořila anotaci dat, tedy vedoucím dodané segmentace cév klasifikovala na tepny a žíly. Také, pro mě z neznámého důvodu, provedla manuální stanovení A/V poměru na segmentované databázi, k čemuž využila standardní postupy a příhodné algoritmy. Nicméně, toto měření není součástí zadání a chápal bych její zařazení do práce pouze jako možnost finálního ověření funkčnosti navrženého algoritmu, který by měl právě poskytovat data pro tuto následnou analýzu. Tato bezesporu zajímavá možnost vyhodnocení ovšem již není dále součástí práce. Další a stěžejní část práce spočívá v aplikaci vhodně zvolené sítě typu U-net, kdy byly otestovány tři odlišné přístupy k segmetnaci. Studentkou zmíněná modifikace sítě (změna velikosti vstupní vrstvy) nelze považovat za modifikaci ale za nezbytnost. Dále přidání DropOut vrstev do zvolené architektury není nijak opodstatněné (stačilo by jen experimentálně). Chybí mi zde popis a způsob optimalizace procesu a parametrů, které by se snažili zlepšení procesu učení, např. augmentací databáze, změny učebního kroku či analýzu dalších hyperparametrů. Nelogické či nepodložené mně připadají i další části, jako například využití Otsu metody pro prahování pravděpodobnostního prostoru. Je škoda, že studentka zřejmě vlivem časového presu nevyužila pro učení také RGB obrázky z Fundus kamery. Základní struktura práce i členění do kapitol je vhodně zvoleno včetně uvedení řádných citací. Samotný text obsahuje velké množství překlepů, nesprávných formulací či prostých překladů z angličtiny (např. křížová entropie, čtvercové gradienty, křížová kanálová normalizace, atd.), která jen opět poukazuje na nepříliš hluboké znalosti v dané oblasti. Z hlediska infografiky práce nemám závažnějších výhrad, i když někde neodpovídá zažitým standardům. Popisky některých obrázků jsou velmi stručné, téměř nepopisující zamýšlenou informaci. I přes zmíněné výtky lze považovat předloženou práci za odborné dílo odpovídající magisterské úrovni a tudíž doporučuji k obhajobě a navrhuji hodnocení D – 60 bodů.
eVSKP id 126830