BEČIČKA, M. Zpracování dat pro fMRI neurofeedback [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Předložená práce Martina Bečičky je zaměřena na zpracování dat z funkční magnetické rezonance (fMRI) v reálném čase. Díky takovému řešení je možné využít fMRI i pro terapeutické účely, tzv. fMRI neurofeedback. Student dostal k dispozici rozpracované řešení z Laboratoře multimodálního a funkčního zobrazování CEITEC MU. Jeho úkolem bylo prostudovat danou problematiku, upravit a dokončit dosavadní řešení, aby výstupem byl funkční soubor procedur. Vzhledem k tomu, že se nasazení v budoucnu předpokládá převážně u pacientů s neuropsychiatrickou diagnózou (hraniční porucha osobnosti apod.), navrhl student postup, který při zachování kvality signálu zkrátí dobu, po kterou bude pacient v MRI. Po dohodě jsme tak upřednostnili zlepšení tSNR oproti SNR s ohledem na komfort pacientů (někteří mohou mít úzkostné stavy apod.). Velmi musím pochválit studentovu samostatnost a rozhodnutí, že práci napíše v anglickém jazyce. Stejně tak zorientování se v problematice zvládl velmi dobře. Jediná má připomínka se tak týká jeho zapojení do práce během semestru, které mohlo být soustavnější, měl by tak více času v závěru hodnocení výstupů práce.
Předložená bakalářská práce se zabývá zpracováním signálu pro MRI neurofeedback a je psaná v angličtině. První část práce je teoretická a shrnuje postupně úvod do principů MR zobrazování, funkčního MR zobrazování a standardních postupů analýzy dat. Třetí kapitola detailně popisuje neurofeedback s využitím MRI a shrnuje současný stav řešení implementovaného v laboratoři CEITEC MAFIL. Následuje kapitola věnovaná teorii filtrace dat, popis použitých filtrů a princip fungování Kalmanova filtru. Jádrem práce je pátá kapitola, v níž student navrhuje zlepšení současného řešení zejména zkrácením doby učení Kalmanova filtru a následně i doplněním dočasného filtru, jehož výstup je použit během doby učení Kalmanova filtru. V této části práce postrádám detailnější popis provedených testování a analýz chování systému. Z textu není patrné, na jaké části vstupních dat bylo testování provedeno či zda byly testovány změny i dalších parametrů jak je naznačeno v kapitole 5.3. Navazující šestá kapitola shrnuje dosažené výsledky, její rozsah je však neúměrně malý vůči teoretické části. Použité statistické testování je nedostatečně rozepsáno, chybí popis vstupních dat stejně jako vizualizace výsledků, např. formou tabulky či distribučních grafů. V závěru práce je pak shrnutí celé práce a diskuze přínosů. Teoretická část práce je na velmi dobré úrovni, kladně hodnotím použití angličtiny a také schopnost studenta zorientovat se v poměrně složité problematice s využitím velkého množství literatury. Na několika místech se vyskytují drobné gramatické chyby (např. break místo brake), stylistické chyby (např. introduce a introducing v jedné větě) i faktické chyby (např. popis akvizice dat), avšak hlavní nedostatek představuje absence jakéhokoliv podrobnějšího popisu provedených statistických analýz a přehledná vizualizace dosažených (skupinových) výsledků. Práce má logickou strukturu a formální úprava je na vysoké úrovni. Rozsah práce hodnotím jako přiměřený. Zadání cílů práce bylo splněno s výtkou k bodu č. 3, kde postrádám detailnější zdůvodnění či diskuzi nad vztahem navrženého vylepšení k dosahovanému SNR. Práci doporučuji k obhajobě s hodnocením 76 bodů/C
eVSKP id 118297