BŘEZINA, A. Segmentace histologických řezů s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Student se ve své práci zabýval využitím hlubokého učení pro segmentaci histologických řezů, kde využil síť U-Net, jejíž nastavení dále optimalizoval. Je nutné zmínit, že práce s těmito daty je poměrně náročná například z důvodu specifického formátu a velkosti obrázků, nebo z důvodu nevyváženosti nádorové a zdravé tkáně, a proto považuji i vytvoření standardní funkční sítě za úspěch. Po formální stránce práce obsahuje pouze drobné nedostatky; vytknout lze například malou velikost textu v některých obrázcích či nízkou kvalitu obrázků ukázek segmentace. Teoretická část práce je popsána poměrně dobře, ale obsahuje občasné nejasnosti a nepřesnosti. Oceňuji, že se student příliš nezabýval obecně velmi dobře známou teorií a popsal například vhodné datasety či publikované metody pro segmentaci těchto dat, i když tato rešerše by si zasloužila ještě větší pozornost včetně aktuálnějších článků a jejich případné zohlednění v praktické části. Praktická část popisuje proces učení sítě, včetně vhodného načítání trénovacích výřezků, augmentace a přenosového učení s využitím různých enkodérů. Nechybí ani smysluplné vyhodnocení podle velikosti lézí a krátké vyhodnocení na dodaném malém datasetu. Oceňuji snahu o alespoň částečnou optimalizaci hyperparametrů pomocí systematického testování několika nastavení. Výsledky jsou vhodně diskutovány. Chybí mi zde ale grafické porovnání výsledků testovaných metod usnadňující interpretaci, či vhodnější zobrazení ukázkových výsledků. Dále postrádám vyhodnocení pomocí FROC metriky používané u CAMELYON datasetu, což by zajistilo srovnatelnost s jinými autory. Student práci dostatečně konzultoval, avšak většinu času práci věnoval v posledních týdnech, což se lehce projevilo na kvalitě. Zadání považuji za zcela splněné, přesto bych ocenil otestování novějších a pokročilejších přístupů, proto hodnotím stupněm B – 88 bodů.
Študent Adam Březina sa vo svojej bakalárskej práci zaoberal segmentáciou nádorového tkaniva v histologických WSI snímkach. Práca je z formálneho hľadiska na dobrej úrovni, avšak obsahuje niekoľko gramatických chýb. V teoretickej časti práce študent stručne popisuje základné techniky používané na histologickú analýzu následne sa zameriava na popis State of the Art metód na segmentáciu v histologických snímkach a verejne dostupné databázy obsahujúce dáta vhodné pre túto prácu. V praktickej časti študent natrénoval a optimalizoval hneď niekoľko modelov, pričom k tomu v konečnom dôsledku využil 4 rôzne architektúry. Následne výsledky vyhodnotil pomocou štyroch vybraných metrík a svoje výsledky porovnal s inými autormi. Praktická časť je však písaná pomerne stručne a nachádza sa v nej mnoho nejasností, ktoré si čitateľ musí domyslieť a pôsobí mierne chaotickým dojmom. Napríklad nie je jasné, či boli vybrané ResNet enkodery použité na transfer learning predučené inými autormi (a pokiaľ áno, tak na akom datasete), alebo samotným študentom. Taktiež sa tu nachádza mnoho zmätočných oblastí, kde sú v každej tabuľke nazývané inak (napr. v Tab. 5.1 sa jedná o „Základní U-Net“, „U-Net++“, „DeepLabV3+“ a „ResNet34 U-Net“, kdežto v Tab. 5.2 už sa nachádzajú „Pretrained U-Net“ a „Vanilla U-Net“). V celej práci nie je popisovaný U-Net++, ktorý sa zrazu objaví v Tab. 5.1 a spomínaný je až za ňou na strane 40. Nie je teda absolútne jasné, či bol tento model už predučený, alebo bol naučený až študentom a s akými nastaveniami. Taktiež tento model spolu s enkodérom ResNet nie je v celej práci citovaný. U hodnotenia vplyvu úrovne rozlíšenia na kvalitu segmentácie v kapitole 5.1 študent len konštatuje, že úroveň zväčšenia nemá vplyv na výsledok segmentácie, avšak toto tvrdenie podkladá hodnotami Dice koeficientu len pre jeden vybraný model. Výsledky dosiahnuté so vstupom oboch rozlíšení do siete v práci hodnotí len slovami „nepřinesla žádné výrazné zlepšení výsledků“, bez poskytnutia tabuľky s výsledkami či zobrazenými výsledkami segmentácií pri použití rôznych vstupov do siete. Práca cituje 30 zdrojov odbornej a prevažne zahraničnej literatúry. Aj napriek uvedeným vytýkaniam považujem všetky body zadania za splnené, prácu hodnotím stupňom C (75 bodov).
eVSKP id 167477