OLEŠOVÁ, K. Využití optimalizačních metod pro segmentaci MRI dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Studentka se ve své bakalářské práci zabývá využitím optimalizačních metod pro segmentaci MRI obrazových dat. Po formální stránce práce obsahuje některé nedostatky, které snižují celkový dojem z práce. Jako příklady uvádím občasné rozdílné formátování textu, rovnic či nadpisů kapitol, různorodá a někdy zhoršená kvalita obrázků, občasně nedostatečný popis některých tabulek a obrázků, některé položky v seznamu referencí postrádají důležité informace dle platné citační normy a v práci jsou patrné občasné překlepy. V práci bylo využito 32 literárních zdrojů včetně řady zahraničních publikací. Studentka prokázala schopnost samostatně pracovat a během celého řešení bakalářské práce přicházela s vlastními návrhy řešení daného problému a s nápady na zlepšení navržených algoritmů. V práci realizovala metody jak pro 2D, tak pro 3D zpracování obrazových dat a možnosti fúze obrazové informace z různých MRI sekvencí, což převyšuje základní znalosti běžně získané během bakalářského studia. Nad rámec zadání studentka provedla objektivní porovnání a diskuzi dosažených výsledků s ostatními světově publikovanými metodami. Na konzultace docházela vždy řádně připravena a s věcnými dotazy k řešení práce. Zadání práce považuji za splněné v plném rozsahu a práci, s přihlédnutím k formálním nedostatkům, hodnotím stupněm A/90 bodů.
Studentka Kristína Olešová vypracovala bakalářskou práci na téma Využití optimalizačních metod pro segmentaci MRI. Práce je členěna do pěti kapitol na 43 stranách. Teoretická část práce pojednává o mozku a jeho snímání. Z pohledu snímání MRI dat jsou popsány 4 sekvence, které jsou potom dále v práci používány. V této části práce postrádám hlubší literární rešerši různých mozkových patologií (především onkologických) a možnosti jejich segmentace. Stěžejní část teoretické rešerše se věnuje segmentačním metodám. Studentka zde rozebírá základní přístupy pro segmentaci dat. K uvedenému textu nemám větších výhrad, pouze by bylo lepší více rozlišit segmentační a optimalizační techniky. Podkapitoly 2.5 až 2.8 bych uvedl jako samostatnou kapitolu věnující se využití optimalizačních technik pro segmentaci obrazu. Popis aktivních kontur končí prvním krokem a působí nedokončeně. Kapitola 3 se věnuje návrhu algoritmů pro segmentaci. Oceňuji literární rešerši, která je v této kapitole provedena. V praktické části byl navrhnut postup zpracování obrazu pro segmentaci databázových dat nádorů mozku snímaných MRI. V rámci předzpracování je popsána mediánová filtrace, zde by bylo vhodné ukázat obrázkem vliv této úpravy obrazu. Pro další práci jsou použity metaheuristické algoritmy – FA, SSO a hybridní FASSO. Z pohledu popisu praktické části by bylo lepší dříve formulovat použité kritérium (kapitola 4.6) a až poté hodnocení kvality segmentace (kapitola 4.5). V rámci testování byly otestovány různé způsoby segmentace – 2D metody segmentace jednotlivých řezů, 3D segmentace dat z T1C sekvence a kombinovaný přístup ze všech 4 sekvencí s využitím informace z dílčích segmentací. Výsledná úprava segmentovaného obrazu byla založena na morfologických operacích. Výsledky práce jsou diskutovány pro jednotlivé segmenty a pro celkovou hodnotu sledovaného kritéria. Testování je velice podrobné a výsledky jsou řádně diskutovány. V závěru práce i srovnány s ostatními publikovanými postupy. Výsledná metoda 3D segmentace s využitím kombinací informace z jednotlivých sekvencí je zajímavá a stála by za další rozšíření a testování. Po formální stránce je bohužel práce zatížena několika nedostatky. Už v obsahu je Obsah uveden na straně 5 a Úvod na straně 1. Dále vytýkám nižší kvalitu některých obrázků a nejednotnost formátování textu. Práce odkazuje na 32 položek literatury, především současné odborné publikace. Bohužel je použit nejednotný styl pro jednotlivé položky, u některých položek chybí důležité informace nebo nejsou v souladu s normou. Seznam literatury není řazen ani abecedně, ani podle výskytu v textu. Studentka zpracovala poměrně náročné téma a výsledek práce považuji za kvalitní a nadstandardní. Práci doporučuji k obhajobě a hodnotím známkou výborně (A – 90 bodů).
eVSKP id 110519