SEREČUNOVÁ, S. Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Studentka Stanislava Serečunová se během řešení diplomové práce pracovala velmi aktivně, soustavně a svědomitě. Konzultací využívala dle potřeb pro ujasnění dalších postupů. Během řešení se diplomatce podařilo zorientovat v problematice hlubokého učení a zvolit si směr, který použije pro řešení zadaného úkolu. Diplomantka si zvolila architekturu U-net a aplikovala ji na segmentaci cév v retinálních snímcích z různých datasetů. Tvůrčí přístup diplomantky k řešení hodnotím velmi kladně, včetně dosažených výsledků, které lze pokládat za velmi kvalitní a přínosné pro další vývoj segmentačních metod těchto dat. Práci tak hodnotím stupněm A.
Studentka Bc. Stanislava Serečunová vypracovala diplomovou práci na téma: Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení. V práci je velmi detailně a přehledně popsána složitá problematika hlubokého učení a konvolučních neuronových sítí. Dále jsou v práci popsány aktuální segmentační topologie sítí, které se studentka naučila využívat prostřednictvím vybraných ukázkových úloh. Velmi vhodně je pak pro segmentaci zvolena architektura neuronové sítě U-Net. Byla také provedena celé řada modifikací pro zlepšení výsledků sítě, kterými studentka prokazuje velkou znalost této problematiky. Metoda je otestována na několika dostupných databázích, kde nechybí ani srovnání s ostatními autory, přičemž v některých případech dosahuje vytvořená metoda i lepších výsledků. Praktická část je velmi rozsáhlá, kde všechny výsledky jsou přehledně popsány a vhodně diskutovány. Jediné, co v práci postrádám je popis a otestování jiných kriteriálních funkcí, které mohou být velmi přínosné v případech nerovnoměrného zastoupení jednotlivých klasifikačních skupin pixelů. Nevidím také smysl ve využití Otsu metody namísto standartního pevného prahu, obzvlášť když v práci není uvedeno srovnání s touto možností. Bylo by také vhodné uvést jednu přehlednou tabulku, která by udávala případy, ve kterých je vytvořená metoda lepší než ostatní. Po teoretické stránce musím vytknout chybný název kapitoly 2.2 (jedná se o sítě plně konvoluční) a chybu v rovnici 1.4 (tato rovnice je specifická pro sigmoidální aktivační funkci). Celkově je práce na vysoké úrovní s referencemi na současnou literaturu. Práci doporučuji k obhajobě a hodnotím stupněm A (96 bodů).
eVSKP id 110584