KOŠČOVÁ, Z. Konvoluční neuronové sítě pro detekci objektů v medicínských obrazech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Přístup studentky k řešení práce i její aktivitu během semestru hodnotím velmi kladně. Konzultací studentka využívala dle aktuální potřeby, a tedy prokázala i určité schopnosti samostatné práce. Velmi oceňuji kvalitní teoretický rozbor pokročilých detekčních metod, jejichž odbornost přesahuje bakalářskou úroveň a vyžaduje hlubších znalostí z oblasti strojového učení. Zde studentka prokázala dobré schopnosti práce s literaturou a odbornými texty. Praktická část je obsahově na dobré úrovni, včetně diskuze dosažených výsledků a problematických případů. Zde studentka využívá vhodné grafické výstupy, které podporují komplexnější prezentaci výsledků a následnou diskuzi. Celkově práci hodnotím jako velmi zdařilou, z odborného hlediska jako nadprůměrnou bakalářské úrovni. Konstatuji, že zadání práce bylo splněno a doporučuji k obhajobě s hodnocením A 98 bodů.
Práce se zabývá detekcí jater v CT a MRI obrazech. Studentka se zaměřuje na metody s využitím hlubokého učení, a to specificky konvoluční neuronové sítě R-CNN a YOLO. Text práce je čtivý, hezky navazuje a splňuje formální požadavky kladené na závěrečné práce. Z hlediska použitých zdrojů však musím vytknout časté využití různých webových stránek namísto kvalitnějších zdrojů jako odborné články a knihy. Vytknout musím také nízkou kvalitu obrázků. V teoretické části se objevuje pouze pár drobných nepřesností. Také bych ocenil zaměření teorie spíše na podrobnější popis postupů využitých v hlubokém učení (které jsou pak zmiňovány v praktické části), namísto úplných základů neuronových sítí. Oceňuji však kvalitní popis R-CNN a YOLO, jelikož se jedná o poměrně složitou problematiku. Studentka pak zvládla tyto metody úspěšně aplikovat na dataset extrahovaný z veřejně dostupných dat. Výsledky jsou v práci dostatečně popsány a diskutovány. Z praktického hlediska musím vytknout jednu zásadní věc, a to nevhodné rozdělení datasetu na trénovací a testovací. Z popisu v práci vyplývá, že data byla rozdělena na úrovni řezů a ne pacientů, tím pádem se sousední řezy stejného pacienta mohou vyskytovat v trénovacích a testovacích datech, což může zásadně zkreslovat prezentované výsledky. I přes uvedené nedostatky se jedná o kvalitní práci zabývající se pokročilou tématikou, a proto ji hodnotím stupněm A (91 bodů).
eVSKP id 126706