VÝVODA, J. Segmentace buněk pomocí klasifikace pixelů ve snímcích z různých mikroskopických modalit [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Student se ve své práci zabýval segmentací obrazů buněk pomocí klasifikace pixelů, kde testoval a analyzoval různé klasifikátory a příznaky. Všechny body zadání považuji za splněné. Řazení kapitol je logické a dobře navazuje. Po formální i odborné stránce je práce až na několik překlepů či nepřesností na dobré úrovni. Student v práci využíval relevantní zdroje a vhodně s nimi pracoval. Student v potřebné míře využíval konzultací, ocenil bych však větší vlastní iniciativu a realizaci vlastních nápadů. Prezentace výsledků by také mohla být srozumitelnější a systematičtější. Celkově práci hodnotím stupněm A (91 bodů).
Předložená práce obsahuje dle mého názoru kvalitní a místy možná až příliš podrobnou rešerši metod zpracování obrazů, včetně využití strojového učení pro klasifikaci jednotlivých pixelů. V praktické části student zvolil na základě této rešerše tři klasifikační algoritmy a stanovil množinu příznaků. Práce se mi jeví jako velmi zdařilá, oceňuji podrobnou analýzu příznaků s využitím zvolených klasifikátorů a také nastavení hyperparametrů. Myslím, že tato podrobná analýza by zasloužila přehlednější prezentaci dosažených výsledků a jejich diskuzi. Nicméně tento nedostatek přikládám spíše k přirozené nezkušenosti studenta odpovídající bakalářskému stupni. V práci se vykytuje minimum chyb či překlepů, nicméně z odborného hlediska není prosta nepřesných formulací, či méně vhodného návrhu metodiky. Níže přikládám několik připomínek k obsahu práce a textu. I přes tyto připomínky, práci celkově hodnotím jako výbornou stupněm A 90 bodů. (popis k-násobné křížové validaci spíše odpovídá tzv. „leave-one-out“ validaci, která je specifickým případem k-násobné validace; vzorce 6.1-6.3 nejsou citovány a není specifikován význam symbolu Epsilon – pokud je to suma, není jasné přes co se sčítá a tedy si nejsem ani jist správností vzorce; pojem „naive bayess“ by bylo lépe přeložit, např. jako naivní bayessovský klasifikátor; nejsem si jist, zda využití Sobelova operátoru a jiných operátorů stejného typu je vhodný pro využití klasifikaci, možná spíše jako operátor mikrotexturní analýzy - v tom případě by bylo vhodné aplikovat dále na příznakové mapy dolní propust s různými stupni rozmazání pro zajištění určitého vlivu okolních pixelů při segmentačního přístupu založeném na „klasifikaci jednotlivých pixelů“; uváděný ostřící operátor 1. nelze považovat za ostřící operátor, ale za záporně vzatý Laplacian, což bych očekával, že případně korelační analýza by zde odhalila negativní vysokou míru korelace s dále využívaným Laplacianem).
eVSKP id 126739