CHMELA, R. Predikce odpovědi na radioterapii u karcinomu rekta pomocí MR [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Předložená práce studenta Radka Chmely se zabývá predikcí odpovědi na radioterapii u karcinomu rekta pomocí MR. Práce má logickou strukturu, je napsána na zhruba 40 stranách od úvodu po závěr a cituje celkem 36 položek literatury. V teoretické části se student věnuje rešerši onkologických onemocnění rekta včetně možností diagnostiky i léčby. Dále jsou popsány metody detekce tumorů ve snímcích MR. Tuto část považuji za stěžejní a vcelku povedenou. V rámci praktické části práce je na dostupném datovém souboru provedena segmentace tumorů v axiálních řezech s využitím metod hlubokého učení (založeno na 2D U-NET architektuře). Následně je provedena příznaková analýza takto segmentovaných oblastí, na kterou navazuje klasifikace tumorů do dvou tříd. Toto je určité zjednodušení, protože na pracovišti se používá klasifikace odpovědi na radioterapii do 5 tříd. Výsledky segmentace hodnotím jako velmi dobré pro diplomovou práci, výsledky predikce však nejsou dostatečně průkazné. U přehledu jednotlivých příznaků mohla být provedena jejich hlubší analýza. Pro další práci a zlepšení predikce bude nejspíš nutné přidat další příznaky z jiných MR sekvencí, např. difúzního zobrazování. V rámci diskuze mohly být zobrazeny snímky, ve kterých predikce funguje úspěšně (do obou tříd) a kde naopak selhává. Student pracoval aktivně během celého semestru, vyhledával konzultace jak u vedoucího, tak i na klinickém pracovišti. Bohužel došlo k časovému prodlení při anotaci dat ze strany klinického pracoviště, což student nemohl ovlivnit. Práce tak byla vypracována především v posledním měsíci. Předložená práce splňuje zadání, ale v některých bodech mohla být provedena hlubší analýza použitých metod, případně nastavení jejich parametrů. Práci mohu doporučit k obhajobě, výsledné hodnocení navrhuji uspokojivě (D – 65 bodů).
Předložená diplomová práce se zabývá predikcí odpovědi na radioterapii u karcinomu rekta pomocí MR, kdy je práce rozdělena do čtyř kapitol na 39 stranách od úvodu po závěr. V teoretické části práce je čtenář seznámen s anatomií a druhy rakoviny tlustého střeva a konečníku, stagingem nádorů a typy radioterapie pro léčbu. Dále je provedena rešerše zobrazovacích modalit pro diagnostiku a na závěr první kapitoly je rozebrána radiomika. Druhá kapitola se zabývá popisem magnetické rezonance, obecným postupem vyšetření karcinomu rekta a metodami segmentace objektů v obrazech. Tato část práce je napsána až na výjimky čtivou formou a po odborné stránce odpovídá úrovni magisterského studia. Větší připomínky mám ovšem ke kapitole 2.2, která by se měla zabývat segmentací, ale je v ní popsána detekce objektů v obrazech. Nadpis kapitoly mi tedy nedává smysl. V praktické části student pracuje s databází 66 pacientů se stanoveným TRG (Tumor regression rate) a s dostupnou lékařem vytvořenou anotací nádorů. V práci postrádám podrobnější popis, kolik pacientů bylo v jednotlivých skupinách. V první části student natrénoval 2D U-Net se standardní architekturou pro segmentaci nádorů. Dosažené výsledky segmentace vizualizuje a diskutuje. Tuto část práce považuji za zdařilou. To nelze říci o další části, kterou je predikce účinnosti radioterapie. První použitá metoda byla natrénována na základě vytvořené segmentace, kdy student naučil další CNN, která z vysegmentovaného nádoru predikovala odezvu na radioterapii. Druhým způsobem byla extrakce příznaků s využitím balíčku PyRadiomics, kdy bylo extrahováno 22 příznaků pro každý řez, a student vytvořil obraz příznaků, který sloužil jako vstup do CNN. Na základě analýzy poté vybral 4 nejdůležitější příznaky a opět vytvořil obraz příznakové mapy, na které naučil další CNN. TRG kritérium, které má 5 tříd, si student zjednodušil na binární problém, kdy rozlišoval pouze na pacienty s pozitivní a s negativní odezvou. Pro vyhodnocování binární predikce mi nepřijde vhodné využití termínu Dice skóre, jelikož se toto označení používá především v segmentaci, a ne pro klasifikaci, kdy by měla metrika být správně označena jako F1 skóre. Dosažené výsledky jsou jen velmi stručně shrnuty a diskutovány. V práci mi chybí detailní analýza vybraných příznaků z hlediska jejich důležitosti pro úspěšnost predikce. Není mi zřejmé, proč student nevyužil i jiné způsoby predikce jako je například random forest, SVM a další. Dosažené výsledky navíc nedosahují vysoké úspěšnosti. Po formální stránce mám k práci značné výhrady. V práci se vyskytuje velké množství překlepů, chybějících nebo naopak přebývajících předložek. Chybí mi detailní popis obrázků, kdy navíc u Obr. 1.7 je citace na článek z [19], ale ve skutečnosti je obrázek z článku [23]. Navíc postrádám u většiny obrázků odkaz v textu. Některé obrázky jako například Obr. 3.2 jsou nekvalitní. Práce cituje 36 položek literatury převážně odborných publikací, což považuji za dostačující, ale jedna položka [15] není v textu zmíněna. Navíc u některých položek je jiný citační styl. Po odborné i formální stránce považuji práci za podprůměrnou, jelikož se v ní vyskytuje velké množství neodborných a chybných termínů a některé věty jsou psány neodborným jazykem. Použitá metodologie pro predikci mi nepřijde vhodná, ale i přes všechny výše zmíněné nedostatky považuji zadání za splněné v celém rozsahu a hraničně splňující požadavky na diplomovou práci. Proto ji hodnotím známkou dostatečně (E – 55 bodů).
eVSKP id 150844