KRÁL, J. Strojové učení pro analýzu MR obrazů mozku [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2010.

Posudek vedoucího

Provazník, Ivo

Student Jakub Král se věnoval řešení zadaného problému zodpovědně, pravidelně docházel na konzultace ke školiteli i na pracoviště IBA MU, zúčastnil se také konzultace na Psychiatrické klinice FNB. Mimo vysoké míry studentovy samostatnosti a iniciativy hodnotím velmi kladně i samotné zpracování předložené práce, ve které je oddělena teoretická část zpracovávající recentní odbornou literaturu, od části tvůrčí, ve které student dokázal své nově nabyté vědomosti přenést do praktické realizace funkčních programů. V práci bylo dosaženo původně zamýšlených cílů - student odladil a odzkoušel své algoritmy nejdříve na simulovaných obrazových obrazech a po té byl schopen experimenty úspěšně zopakovat i na předaných reálných datech, která pocházejí z výzkumu vztahujícímu se ke klasifikaci první epizody schizofrenie na Psychiatrické klinice LF MU a FNB. Práci hodnotím jako vynikající.

Posudek oponenta

Říha, Ivo

Práce je zaměřena na zpracování obrazových dat pro následnou analýzu a klasifikaci MR obrazů. V úvodních kapitolách jsou popsány principy magnetická rezonance a získané medicínské obrazy, jejich anatomické variability v multicentrických studiích a nastíněna možnost využít těchto poznatků k časné diagnostice schizofrenie. V páté kapitole se autor zabývá principy registrace medicínských obrazů, v následující kapitole probírá základní etapy strojového učení a klasifikace obrazů. Kapitoly jsou názorně doplněna schématy. Jsou zde popsány moderní metody analýzy obrazu tj. analýza hlavních komponent PCA a její modifikace, což jsou algoritmy vhodné pro redukci datového objemu a kompresi dat, analýza nezávislých komponent ICA a lineární diskriminační analýza LDA. Další kapitola se zabývá metodami klasifikací objektů do tříd. Jsou zmíněny literárně známé algoritmy tj. klasifikace dle míry podobnosti a vzdálenosti v příznakovém prostoru, klasifikace metodou SVM, K-NN a K-MEANS. Následně se autor zabývá šetřením, zda je hodnocení klasifikace dat do tříd validní, uvádí opět několik metod převzatých z literatury. Následuje praktická část diplomové práce, kapitola 7, kde se autor zabývá hodnocením vybraných strojových metod. Kapitola je rozdělena do několika částí, v první části experimentu redukuje autor množství dat metodou PCA aplikovanou na 2D obraz Leny, PCA je prováděna pomocí funkcí Matlabu standardním způsobem, tj. rozkladem kovarianční matice na vlastní vektory, tedy metodou rozebranou v teoretické části. Vzhledem k robustnosti metody při použití na 3D objekty navrhuje autor užití modifikované metody CRLS-PCA, která dále redukuje datovou matici obrazu a šetří výpočetní čas. Autor uvádí výsledky výpočtů a obrázek Leny po aplikaci jednotlivých algoritmů. V druhé části se zabývá rozpoznáváním tvarů v 2D obrazech. Hlavním cílem této části je experimentální volba metody redukce dat, která by vyhovovala pro popis obrazů za účelem jejich klasifikace do předem zvolených tříd. Zabývá se aplikací metody subjektové PCA, která se ukazuje jako nejvhodnější k použití na rozměrná obrazová data. Metoda je použita nejdříve na databázi obrazů geometrických útvarů, které se pak klasifikovaly do tříd pomocí klasifikátoru K-NN s využitím euklidovy metriky, K-NN s využitím kosinovy miry podobnosti a klasifikátorem K-MEANS. Aby bylo možné zjistit, který klasifikátor je nejvhodnější, byla použita křížová validace metodou Leav-One-Out. Podobným způsobem postupoval autor i v případě předzpracovaných reálných dat MRI 49 pacientů trpících schizofrenií i 49 zdravých dobrovolníků. Práce je rozdělena na logické celky, kde 30 stran věnuje teorii a 14 stran praktické části, která je bohatě graficky dokumentována. Z formálního hlediska bych chtěl poznamenat, že text byl precizně autorem zkontrolován, jelikož jsem v celé práci našel pouze tři překlepy a jednu chybu v popisu obr. 12 na str. 30, kde chybí ve vzorci druhé mocniny. Práce obsahuje dostatečné množství citací a autor na ně v textu mnohonásobně odkazuje. Práce je velmi kvalitní a jak sám autor v závěru uvádí, některé metody by mohly v budoucnu i přispět ke klinické diagnostice schizofrenie, popřípadě i jiných chorob mozku.

eVSKP id 27119