VÝVODA, J. Detekce intrakraniálních aneurysmat v TOF-MRI datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
S přístupem studenta k vypracování závěrečné práce jsem nadmíru spokojen. Sám student se se zájmem podílel na tvorbě zadání práce vyhledáním vědeckých aktuálních témat z dostupných „Grand Challenges“, komunikoval a získal data přímo od autorů této soutěže. Vždy pracoval s relevantní odbornou literaturou, kterou v práci řádně cituje, a dokonce se s dílčími výsledky své práce účastnil studentské konference EEICT. Už tímto prokázal určitou míru samostatnosti a schopností zabývat se odborným tématem a řešit zadaný úkol na inženýrské úrovni na poli biomedicíny. Své dosažené cíle a vyvstalé problémy pravidelně konzultoval a přicházel vždy s konkrétními dotazy. Práce je na velmi dobré úrovni jak po obsahové, tak formální stránce, oceňuji rozhodnutí studenta psát práci v angličtině. Vytknout lze někdy nestandardní nebo odborně nepřesné vyjadřování v textu, či mírně zmatečný popis a diskuse výsledků, které mohou pro ne úplně zainteresovaného čtenáře působit mírně nepřehledně. Z pozice vedoucího práce však konstatuji, že student splnil všechny body zadání, během vypracování a dle odevzdané práce prokázal své schopnosti vytvořit zdařilé inženýrské dílo a hodnotím stupně A 98 bodů.
Student se ve své práci zabývá detekcí aneurysmat v TOF-MRI datech, kde pro tuto detekci využívá hluboké učení, specificky segmentační síť U-Net. Formální úroveň práce je na výborné úrovni a student citoval a využil velké množství relevantních zdrojů. Teoretická část práce je popsána velmi kvalitně a zaměřuje se na relevantní informace potřebné pro tuto práci. Oceňuji hlavně shrnutí metod pro danou problematiku z vybraných odborných článků. Lze však nalézt drobné teoretické nedostatky – například nepovažuji za vhodné nazývat detektor Viola-Jones jako „Wavelet-based approaches“, když jediným spojení s vlnkovou transformací je, že Haarovy příznaky byly inspirovány Haarovou vlnkou. Oceňuji, že je práce psaná v angličtině při zachování srozumitelnosti a čtivosti textu. Praktická část je dle mého názoru dostatečná a velmi dobře popsaná, včetně dostatečné diskuze výsledků. Student v praktické části úspěšně implementuje a porovnává modely založené na 2D a 3D konvoluční neuronové síti a zkouší i vhodné následné zpracování, což považuji za dostatečné pro diplomovou práci. I zde však nalézám drobné nedostatky. Za poněkud nevhodné zde považuji srovnání s jinými autory jen na bázi senzitivity, která je pro takové porovnání nedostačující (chybný model, který by detekoval vše by měl senzitivitu 1). Matoucí je tako definice Precision/Recall a PPV/Sensitivity (stejné hodnoty) ale jednou pro segmentaci a podruhé pro detekci, což by mělo být lépe popsáno a lépe pojmenováno. Nerozumím také proč pro detekci není vypočítána nějaká hodnota shrnující PPV a Sensitivitu, jako Dice skóre u segmentace. Za poněkud nevhodné řešení nevyváženosti databáze považuji odstranění negativních obrázků, kde by bylo jistě vhodnější použití všech obrázků s menší pravděpodobností jejich využití. Zároveň by bylo vhodné váhu pozitivních vzorků nastavit dle četnosti tříd v databázi, namísto empiricky zvolené hodnoty. I přes tyto drobné nedostatky práci považuji za velmi zdařilou a hodnotím stupněm A – 96 bodů.
eVSKP id 142104