BLAŽKOVÁ, L. Implementace modelu hlubokého učení pro segmentaci obratlů v CT datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Předložená bakalářská práce studentky Lenky Blažkové se zabývá implementací modelu hlubokého učení pro segmentaci obratlů v CT datech. Práce je rozdělena do 6 kapitol na 40 stranách od úvodu po závěr. V rámci literární rešerše studentka vypracovala literární rešerši publikovaných metod strojového učení a vyhledala veřejně dostupný dataset VerSe 2020, který obsahuje také segmentační masky, a k němu odpovídající naučený model strojového učení. V praktické části studentka vybraný model implementovala a otestovala jeho funkčnost na zmíněném datasetu. Dosažené výsledky studentka analyzovala a popsala vzniklé nedostatky a možné chyby segmentace. Na základě této analýzy studentka navrhla modifikaci metody, kterou aplikovala a otestovala. Funkčnost algoritmu byla otestována i na klinických datech 11 pacientů. Dosažené výsledky, včetně mezivýsledků, vhodně vizualizuje a diskutuje. Po formální i odborné stránce je práce na velmi dobré úrovni a zároveň je psána velmi čtivou formou. Práce cituje 29 položek literatury převážně zahraničních odborných publikací, které v práci řádně cituje. Dosažené výsledky po modifikaci převyšují publikované výsledky pro daný model v literatuře. Zdrojové kódy jsou přehledné, komentované a odpovídají normám v programování. Výsledný algoritmus bude využit v dalším výzkumu na UBMI. Výsledky své práce studentka prezentovala na konferenci EEICT 2023, kde se ve své kategorii umístila na 3. místě. Dále byly výsledky práce využity pro konferenční příspěvek na mezinárodní konferenci MEDICON & CMBEBIH 2023. Celkově studentka pracovala samostatně, byla velmi aktivní, na konzultace chodila pravidelně, vždy s konkrétními problémy a s navrženými možnostmi jejich řešení. Všechny body zadání považuji za splněné a celkově hodnotím práci stupněm A (100 bodů).
Předložená bakalářská práce se zabývá segmentací páteře v CT s využitím metod hlubokého učení. V práci je stručně popsána anatomie páteře, princip výpočetní tomografie, základní princip konvolučních neuronových sítí a jejich nejpoužívanější segmentační architektury. Dále je provedena stručná rešerše metod používaných pro segmentaci páteře a metrik používaných pro vyhodnocení kvality segmentace. Teoretický popis v těchto kapitolách je místy příliš povrchní bez potřebných detailů, které by prokazovaly hlubší pochopení principů metod. Je ovšem nutné dodat, že se jedná o téma přesahující znalosti bakalářského stupně, které si studentka musela sama nastudovat, a je to tedy pochopitelné. Drobným nedostatkem jsou také občasné faktické chyby v popisu (např. na str. 17 ve 3. odstavci studentka tvrdí, že u hlubokých NS nedochází k přeučení; nebo na str. 18, 3. odst. je napsáno, že aktivační funkce slouží ke sjednocení výstupů dílčích neuronů; pravděpodobné nepochopení výrazu „backbone“ u konvolučních NS v kap. 3.3; apod.). Postrádám také detailnější vysvětlení výběru metod v rešerši, a také na základě jakých kritérií byla zvolena v praktické části implementovaná metoda. V praktické části studentka rozebrala a aplikovala vhodný vybraný segmentační model, dále jej otestovala na veřejně dostupných datech VerSe, a dosažené výsledky vyhodnotila. Následně postup upravila tak, aby eliminovala nejmarkantnější chyby modelu, což se úspěšně podařilo a došlo k výraznému zlepšení výsledků na některých subjektech. Praktickou část považuji za velmi zdařilou a pečlivou. Kladně také hodnotím detailní vyhodnocení i diskusi výsledků a otestování modelu na klinických datech. Věřím, že dosažené výsledky mají velký potenciál pro další využití. Text práce je po formální, jazykové i prezentační stránce na velmi dobré úrovni. Studentka využila přiměřené množství zdrojů, včetně zahraničních. Všechny body zadání považuji za splněné, a i přes výše uvedené nedostatky konstatuji, že se jedná o velmi kvalitní bakalářskou práci. Celkově hodnotím stupněm A (95 bodů).
eVSKP id 150793