HRDLIČKOVÁ, A. Segmentace buněk pomocí konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Studentka se ve své práci zabývá instanční segmentací buněk s využitím konvolučních neuronových sítí. Po formální stránce je práce na dobré úrovni. Text je bohužel občas hůře srozumitelný a logicky nenavazuje. V teoretické části se často projevuje studentčina neznalost a nepochopení dané problematiky. Ovšem je třeba poznamenat, že jde o poměrně náročné téma. Studentka se přes počáteční velmi slabé znalosti v průběhu vypracování práce zlepšila na alespoň ucházející úroveň. Studentka zpočátku konzultovala dostatečně, avšak s finalizací práce se ozvala až na poslední chvíli, kdy již nebyl čas odstranit závažné nedostatky. Práce s literaturou je na nižší úrovni, kde zcela postrádám využití aktuálních vědeckých publikací. V praktické části bych očekával otestování více rozdílných metod, nebo alespoň snahu o optimalizaci studentkou použité metody. Popis vytvořené metody je hůře srozumitelný až nejasný. Testování úspěšnosti metody provedeno bylo, avšak velmi základní a potřebovalo by výrazně rozšířit. Celkově je praktická část velmi stručná, avšak zadání lze s důraznými výtkami považovat za splněné. Hodnotím stupněm E - 59 bodů.
Studentka se ve své diplomové práci zabývala segmentací buněk z mikroskopických snímků s využitím konvolučních neuronových sítí. Po formální stránce je práce na dobré úrovní, kde mám jen několik výtek ohledně nedostatečného popisu většiny obrázků a nevhodné používání některých symbolů (např. „x“ místo „krát“, apod.). Jazyková stránka práce je také na dobré úrovni. Rozsah práce je na podprůměrné úrovni, kdy praktická část má pouze osm stran. Po odborné stránce je práce na velmi nízké úrovni. Práce obsahuje velmi povrchní popis metod v teoretickém úvodu, který je často nepřesný, neúplný, nesrozumitelný nebo úplně chybný (např.: „Kromě ukládání exponenciálně klesajícího průměru předchozích gradientů, si Adam také ukládá exponenciálně klesající průměr minulých gradientů vt.“, apod.). Některé rovnice jsou chybné nebo neúplné (rov. 4.5, nebo rov. 1.10 a 1.11), jsou špatně popsány použité symboly nebo popis některých symbolů zcela chybí. V rovnici 1.5 je použit symbol konvoluce místo násobení. Největší nedostatek však spatřuji v samotné praktické části, kdy se popis použitých postupů neshoduje s programovou částí práce v několika zásadních krocích. Studentka v kapitole 5.2 tvrdí, že vždy vybírá výřez o dané velikosti ze středu snímku každého snímku, což nekoresponduje se zdrojovým kódem, kde je místo toho v trénovací fázi vybírán výřez z náhodných pozic a ve validační a testovací fázi výřez rohu obrazu. Toto je zároveň i zásadní nedostatek ve vyhodnocení výsledků, kdy jsou hodnoty metrik vypočteny právě jen z výřezu obrazů v testovací množině namísto vyhodnocení celých snímků. Dále studentka v kapitole 5.3 ukazuje architekturu použité neuronové sítě se čtyřmi konvolučními bloky, ve zdrojovém kódu však používá jen tři bloky. Dle kódu studentka také používá batch normalizaci, ovšem v textu práce o ní není žádná zmínka. Postrádám popis celé řady důležitých parametrů a hyperparametrů (počty konvolučních filtrů v jednotlivých vrstvách, velikost konvolučních filtrů, parametry beta1 a beta2 pro ADAM, parametr dropout, veškeré parametry segmentačních metod, atd.). Dle obrázku 5.7 je jasně patrné, že síť nebyla dostatečně naučena a zastavení učení již ve 40 epoše nebylo vhodné. Dle zdrojového kódu je vidět, že učení probíhalo pouze na procesoru a nebyla využita grafická karta, což je pro takovéto úlohy silně neefektivní a nevhodné. Vyhodnocení a diskuse dosažených výsledků je velmi povrchní. Postrádám zde jakoukoliv optimalizaci parametrů k dosažení co nejlepších výsledků, stejně jako jakékoliv hlubší statistické vyhodnocení. Popis obrázku 5.9b neodpovídá skutečnosti. Obrázkem 6.2 a tabulkou 6.1 chtěla studentka demonstrovat rozdíl mezi dvěma použitými segmentačními přístupy pro oddělení dotýkajících se buněk, ovšem jak vidno, zvolila zcela nevhodný snímek, který žel, žádné takové buňky neobsahuje. Studentka téměř nevyužívala časopisecké publikace, většina použité literatury jsou konferenční sborníky. Formát referencí často neodpovídá žádné normě a u některých odkazů není možné určit o jaký zdroj se jedná (např.: [6], [7], [25], atd.). S tím je spojena i prakticky neexistují literární rešerše metod pro oddělení buněk, kdy studentka v kapitole 3.2 stručně popsala dva základní přístupy. Jakékoliv další existující moderní přístupy nejsou vůbec zmíněny. Z textu práce není vůbec jasné, proč studentka přistoupila k predikci parametrických obrazů v podobě distanční mapy, na místo přímé segmentace buněk. V diskusi postrádám jakoukoliv hlubší analýzu dosažených výsledků a porovnání s existujícími publikovanými přístupy. Některé části diskuse jsou nepodložené (chybí jakákoliv zmínka o daných experimentech v praktické části) a některé z toho plynoucí závěry jsou nesprávné. Zdrojový kód (skript thresholding.py) obsahuje chybu neslučitelnou se spuštěním daného programu. Vzhledem k výše uvedenému jsem přesvědčen že bod 2) zadání práce není splněn, což má dopad i na splnění bodu 3). Mám také výhrady ke splnění části bodu 4), kdy statistické vyhodnocení výsledků je redukováno na pouhý průměr několika metrik z omezeného výřezu testovacích snímků. Srovnání dosažených výsledků s dalšími metodami dle zadání bodu 5) také není v práci obsaženo, protože žádné další metody nejsou v celé práci vůbec zmíněny. S přihlédnutím ke všem skutečnostem práci hodnotím stupněm F (35 bodů).
eVSKP id 134474