HÝVLOVÁ, D. Automatická detekce mikrokalcifikací v mamografických snímcích [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Studentka se ve své práci zabývala segmentaci mikrokalcifikací v mamografických obrazech. Práce byla vypracována ve spolupráci s firmou OR-CZ spol. s r.o. Studentka ke své práci přistupovala velice zodpovědně s mimořádnou pečlivostí. Konzultací využívala především ke zkonzultování jednotlivých dílčích kroků a k nastavení dalších úkolů. Prokázala velkou míru samostatnosti a schopnosti řešit zadanou problematiku. Studentka v rámci práce navrhla a realizovala algoritmus pro detekci mikrokalcifikací, který následně testovala na obdržených snímcích. Dosažené výsledky dostatečně diskutoval. Rovněž přikládám hodnocení externího konzultanta Ing. Jana Kelči (OR-CZ):“ Studentka Denisa Hývlová se ve své bakalářské práci zaměřila na detekci mikrokalcifikací v mamografických snímcích. Cílem práce bylo ověření možnosti takovéto detekce za účelem dalšího rozvoje v rámci AI. Práce je ve všech hlediscích na vynikající úrovni a hodnotím ji velmi pozitivně. Studentka projevila značnou míru vlastní aktivity, vědomosti na vysoké úrovni a aktivně využívala konzultací. Jediným negativem práce je nižší počet vstupních dat, který byl způsoben vytížením zdravotnického personálu vlivem pandemie onemocnění COVID-19. Výsledné hodnocení 95b.“ S hodnocením externího konzultanta plně souhlasím.
Studentka se ve své práci zabývala vývojem algoritmu pro detekci mikrokalcifikací z mamografických snímků. Po formální stránce je práce na velmi dobré úrovni, je prosta jakýchkoli překlepů, má vhodné členění kapitol a vše je v práci řádně citováno. Praktické části předchází kvalitní teoretický rozbor s rešerší, kde oceňuji v segmentační části také zmínky o možném využití těchto metod pro daný úkol včetně výhod a nevýhod. Z obsahového hlediska mám několik menších výhrad. V práci se vyskytují některé nepřesné či nesprávné formulace (např. objekty o malých amplitudách nebo integrál korelace). I když se návrh algoritmu opírá o publikované přístupy, samotné řešení je výrazně heuristické, kde i některé části by i na bakalářské úrovni zasloužily sofistikovanější přístupy. Nalezení vhodných parametrů je sice v práci popsáno, nicméně je to striktně vázáno na dostupná data. Z toho důvodu jsou překvapující i výsledky na veřejné databázi, jejíž využití pro další testování hodnotím kladně. Stěžejní část extrakce příznaků je vlastně založena pouze na odstranění aproximací v rozkladu, kdy se jedná tedy o příznakovou mapu jakožto výstup z hornopropustního filtru. Není mi znám důvod, proč provádět rozklad až do třetí úrovně kvůli odstranění pozadí. Je škoda, že studentka nevyzkoušela více příznaků, a vzhledem k nadbytečnému využití vlnkové transformace, by bylo možné provést např. prostorově-měřítkovou analýzu v určitém (v práci odvozeném) intervalu měřítek takových vlnek. Tím by se daly lépe analyzovat velikosti vedoucí k možná lepšímu zobecnění. Některé části popisu implementace jsou hůře pochopitelné, jelikož někdy chybí v popisu návrhu detailnější informace. Na druhou stranu oceňuji provedené statistické vyhodnocení, vytvoření grafického rozhraní a celkové zpracování práce, které je na velmi dobré úrovni. I přes tyto drobné výhrady lze konstatovat, že studentka splnila zadání, navrhla, implementovala a otestovala vlastní algoritmus, i když výrazně elementární a přesto, jak prokazuje, funkční. Celkově hodnotím práci jako zdařilou a hodnotím stupněm A – 90 bodů.
eVSKP id 134384