SIMICHANIDIS, M. Segmentace MRI dat s využitím detekce hran [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.
Student měl prostudovat možnosti segmentace 3D dat z magnetické rezonance a implementovat metodu založenou na detekci hran. V první části ve spolupráci se studentem Pham Minh Tuanem měli navrhnout a realizovat jednoduchý prohlížeč 3D dat, ale finální verzi prohlížeče si každý upravil pro své účely. V další části pak student implementoval základní metody pro detekci hran. V této části postrádám možnosti nastavení velikosti operátoru. Na základě hranové reprezentace je pak provedena segmentace. Zde je jistým nedostatkem to, že algoritmus je schopen segmentovat jen zcela uzavřené části, není zde zvážena možnost spojování hran. Výsledný algoritmus je otestován na syntetických i reálných datech. Student k práci přistupoval s průměrnou aktivitou, častější konzultace by zřejmě vedly k propracovanějšímu programu a odstranění některých nedostatků v textu. Přes tyto výtky je zadání z převážné části splněno.
Předložená bakalářská práce studenta Michaila Simichanidise se věnuje segmentaci v MRI datech pomocí hranové detekce. V první a druhé kapitole student velmi povrchně popisuje princip a měření MRI dat a datový formát DICOM. Třetí kapitola je věnována metodám segmentace. Text je opět velmi povrchní. U stanovení prahu při prahování bych uvítal i jiný přístup než pokus - omyl. V případě metod narůstání oblastí a dělení a slučování oblastí by bylo vhodné uvést charakteristické rysy jednotlivých přístupů vzhledem k získanému výsledku. Základní popis segmetace využívající hranové detekce je nepřesný. Dále není uvedeno, jakým způsobem se prahuje obraz, aby byla získána hrubá hranová reprezentace. Při použití kompasových detektorů se neuvádí, jak se z dílčích obrazů (např. vertikální a horizontální hrany) složí obraz výsledný. U hranových operátorů druhé derivace není uvedeno, jakým způsobem je detekován průchod nulou. Čtvrtá kapitola popisuje realizovanou metodu segmentace. Výsledky uvedené na obrázcích 4.1 a 4.2 nepovažuji za příliš dobré. U 4.2 navíc chybí původní obraz. Kapitola 5 je věnována realizovanému prohlížeči dat. U načítání dat je uvedeno, že se využije funkce squeeze, která redukuje dimenzionalitu proměnné, ale není již uvedeno jak. Závěrečná kapitola hodnotí výsledky segmetace na reálných a fantomových datech. Zde velmi postrádám porovnání s výsledky alespoň z jednoho jiného softwarového řešení, které by mělo být nalezeno v rámci rešerše (1. bod zadání)…např. softwarové balíky SPM, Analyze, ITK, FSL a spousta dalších. Formální stránka práce také není příliš vysoká. Práce obsahuje velké množství překlepů a chyb, popisy obrázků jsou v některých případech nedostatečné. Hodnotím 58 body, stupeň E.
eVSKP id 51773