VANČUROVÁ, J. Segmentace cévního řečiště v retinálních obrazových datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Tématem diplomové práce byla segmentace cévního řečiště v obrazových datech sítnice. Studentka se ve své práci seznámila s potřebnou odbornou literaturou, provedla literární rešerši na zadané téma a blíže se zaměřila na metody segmentace založené na použití konvolučních neuronových sítí. V rámci praktické části studentka implementovala metodu konvoluční neuronové sítě U-NET s využitím knihoven v programovém prostředí Python. Při implementaci a testování metody studentka využívala výpočetní infrastrukturu ÚBMI. Testování metody proběhlo na zadaných obrazových datech. Oceňuji, že studentka provedla srovnání navržené metody i s jinými publikovanými pracemi s využitím veřejné databáze. Předložená technická zpráva má 74 stran a přehledně prezentuje dosažené výsledky. Drobnou výtku mám k formální stránce práce, zejména k nižší kvalitě prezentovaných obrázků a vyššímu počtu překlepů v některých kapitolách. Při řešení práce byla studentka velmi aktivní, docházela pravidelně na konzultace a konstruktivně přistupovala k řešení dílčích problémů. Zadání práce považuji za splněné v plném rozsahu. Hodnocení: A (90 b.)
Předložená práce studentky Johany Vančurové pojednává o segmentaci cév sítnice v oftalmologických datech. Práce je členěna do 9 kapitol na 54 stranách. Teoretická část práce pojednává o základech anatomie a fyziologie oka a metodice snímání očního pozadí. V další kapitole je diskutována teorie Umělé neuronové sítě. Vzhledem ke kontextu této práce a využití konvolučních neuronových sítí (kapitola 4) je kapitola 3 zbytečná a šlo by ji zahrnout do kapitoly 4. Při popisu metody Gradient Descend je zaměněn matematický operátor „nabla“ za velké řecké písmeno „delta“. Kapitola 5, která se věnuje segmentaci obrazu, konkrétně segmentaci cévního řečiště snímků sítnice. Zde bych spíše očekával přehledovou rešerši nejlepších algoritmů z pohledu přesnosti nebo využití konvolučních sítí pro danou úlohu než snahu popsat nejaktuálnější články. Kapitola 5.2 nazvaná U-net svým obsahem patří spíše do kapitoly 4. Zajímalo by mě, na základě čeho byla tato síť volena, a proč jsou v práci zcela ignorovány ostatní konvoluční sítě, které se pro segmentaci běžně využívají, např. SegNet, LinkNet, a další? Celkově působí teoretická část práce nesourodým, místy až chaotickým, dojmem. Praktická část práce se zabývala implementací sítě U-net a testování na dodaných datasetech. Zcela nelogicky je popis datasetů zařazen do kapitoly 7, která nese název Implementace U-net. Dva datasety pocházely z experimentálního videoftalmoskopu, třetí sada z fundus kamery. V rámci praktické části bylo provedeno pouze minimální předzpracování (změna velikosti, normalizace hodnot) a augmentace dat rotací. Proč nebyla data augmentována i posunem není z práce zřejmé. Studentka uvádí (str. 45), že nastavení konvoluční sítě převzala s jednou drobnou změnou. V diplomové práci bych očekával od studentky určitou kreativitu nebo systematičtější testování zvolené sítě a její architektury, aby bylo ukázáno, že výsledky obdržené v práci, jsou skutečně nejlepší možné. Výsledky na datasetech z videooftalmoskopu vykazují relativně dobré výsledky. Hodnoty přesnosti zde nejsou plně vypovídající vzhledem k velkému rozdílu počtu pixelů v obou třídách. Jako základní ukazatel pro hodnocení bych považoval DICE koeficient. Nejlepší výsledky byly dosaženy u datasetu 2, kde DICE koeficient dosahoval hodnoty 0,82 (tabulka 8). Zajímavé by bylo sloučit dataset 1 a 2 dohromady a síť naučit na takového množině dat. Studentka uvádí, že u datasetu 2 nebyla prováděna augmentace, protože množství trénovacích dat (122 snímků) je dostatečné. I zde by bylo vhodné toto tvrzení doplnit experimentem, že augmentace těchto dat nepřinese žádný efekt. Zcela nejlepší výsledky byly dosaženy na databázi HRF, která nebyla součástí zadání práce. K této části mám poznámku v chybějícím výpočtu DICE koeficientu u této databáze snímků, díky kterému by bylo možné provést lepší srovnání s výsledky na datech z experimentálního videooftalmoskopu. Po formální stránce je práce zatížena celou řadou nedostatků. Kvalita převzatých obrázků je velice nízká. Nadpis na konci strany 25 patří až na další stranu. Některé vzorce jsou uvedeny v rámci textu, ale bez interpunkčních znamének, jiné stojí samostatně v odstavcích. Obrázek 26 má špatnou legendu, obrázek 38 špatný popis osy y. Na práci kladně hodnotím výsledky na experimentálních datech. Otázkou zůstává, zda volba sítě a její testování, jsou nejlepší možnou variantou pro daná data. Práci doporučuji k obhajobě a hodnotím ji známkou dobře (C – 75 bodů).
eVSKP id 118346