PANÁČEK, O. Automatické nalezení srdečních rovin v MR obrazech srdce [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.

Posudky

Posudek vedoucího

Chmelík, Jiří

Student Oldřich Panáček se ve své diplomové práci zabýval využitím umělých neuronových sítí pro automatické nalezení srdečních rovin ve 3D MR datech. Konkrétně se zaměřil na zobrazení v krátké ose, a v horizontální a vertikální dlouhé ose, přičemž využil regresní konvoluční neuronovou síť. Po formální i prezentační stránce je práce na velmi dobré úrovni. Student použil odpovídající množství relevantní a zejména zahraniční literatury, kterou vhodně citoval. K řešení práce přistupoval student velmi aktivně, a i přes nemalé problémy s dostupnými daty navrhoval jejich vlastní neotřelá řešení. Student spolupracoval s FNUSA přímo na reálných klinických datech a postup snímání dat diskutoval s externím konzultantem. Veškeré dosažené výsledky student velmi detailně analyzoval. Předložené řešení tak představuje výsledek s vysokým praktickým potenciálem. Kladně hodnotím také možnost jednoduchého rozšíření na libovolné další roviny. Všechny body zadání považuji za splněné, a toto kvalitní inženýrské dílo hodnotím stupněm A (100 bodů).

Navrhovaná známka
A
Body
100

Posudek oponenta

Harabiš, Vratislav

Student se ve své práci věnoval metodám automatického odhadu radiologických rovin pro snímání srdce pomocí nukleární magnetické rezonance. Předložená práce má rozsah 95 stran a je členěná do jedenácti kapitol včetně úvodu a závěru. V teoretické části práce se student věnuje způsobu stanovení radiologických srdečních rovni a rovněž zde provedl velice vyčerpávající rešerši poloautomatických a automatických metod pro stanovení těchto rovin. Na rozdíl od publikovaných metod se student rozhodl vyhnout se segmentaci obrazů a pro odhad rovin použil regresní přístup, kdy využil metody strojového učení zaměřené na regresi. Vyšel ze známé architektury ResNet, kterou použil a naučil s využitím trénovacích dat. Vzhledem k relativně malému objemu dat je zde klíčové využití augmentace. Pro zpřesnění výsledků regresní sítě následně využil singulární rozklad (SVD). Jak je z výsledků zřejmé, výsledné řešení je schopné odhadovat základní srdeční roviny a rovněž je řešení možné rozšířit také o případné další roviny. Veškeré postupy jsou velice podrobně komentovány a výsledky jsou doplněny o názorné grafy. Navržená metoda tak dosahuje výsledků srovnatelných s metodami, které byly publikované v recenzovaných vědeckých časopisech. Po formální stránce je práce na velice výborné úrovní, práce s literaturou je příkladná. Možná by některé části dlouhých popisků obrázků a tabulek hodily zařadit do textu práce, ale ve finále je to zajímavý přístup, který nepovažuji za nějaký nedostatek. Z práce vyplývá obrovské nadšení a zápal studentka do problematiky jejíž výsledkem je opravdu výjimečná práce. Zadáni práce je splněno a práci hodnotím nejvyšším možným stupněm A (100 bodů).

Navrhovaná známka
A
Body
100

eVSKP id 167555