TYSHCHENKO, B. Klasifikace patologických obratlů v CT snímcích páteře s využitím metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Student Bc. Bohdan Tyshchenko se ve své diplomové práci zabývá klasifikací patologických obratlů z CT páteře s využitím metod strojového učení. Stručnost a kompaktnost práce (28 stran od Úvodu po Závěr) zde nijak neškodí celkovému dojmu a není ani na úkor obsahu, práce je logicky řazena a kapitoly vhodně navazují. Formální úroveň práce je na dobré úrovni, s několika drobnými překlepy nebo nevhodnými formulacemi. Student vhodně citoval a využíval relevantních zdrojů, kterých bych ovšem v diplomové práci očekával větší množství. Student během řešení diplomové práce prokázal schopnosti samostatně nastudovat danou problematiku, implementovat navržené metody a přicházel s vlastními nápady zlepšení. Pravidelně se účastnil konzultací, na které přicházel připraven a s konkrétními dotazy. Student se se svou prací také zúčastnil studentské konference EEICT 2019. Dosažené výsledky předčili původní očekávání a umožňují další rozvoj tohoto tématu. Všechny body zadání práce považuji za splněné a celkově práci hodnotím stupněm A (95 bodů).
Předložená diplomová práce se zabývá návrhem metody pro automatickou klasifikaci patologických obratlů v CT snímcích s využitím dopředné umělé neuronové sítě. Práce má dobře členěnou logickou strukturu a po formální stránce je kvalitní. Je stručná, ale výstižná, bez redundantních informací. Text je dobře čitelný a srozumitelný. Abstrakt by mohl byt obohacen o konkrétní hodnoty úspěšnosti navržených klasifikátorů. Literární rešerše obsahuje veškeré informace důležité pro pochopení problematiky a praktickou realizaci vybraných metod. Snad jedinou výjimkou je opomenutí použité optimalizační metody resielent backpropagation, která je modifikací standardní metody zpětného šíření chyby. Při popisu gradientní metody se autor dopustil pár chyb: proměnná N v rovnici (1.5) by měla odpovídat počtu neuronů výstupní vrstvy, nikoliv počtu vstupních vektorů, a rovnice (1.7) by měla obsahovat gradient chyby, nikoliv vah. Pro reprezentaci CT snímků bylo vypočteno několik desítek příznaků, z nichž následně byly odstraněny redundantní příznaky pomocí analýzy hlavních komponent a korelační analýzy. Bohužel autor nevěnuje pozornost základní analýze příznaků před jejich selekcí a neuvádí v práci ani jednu ukázku vypočtených hodnot (např. v podobě krabicových grafů). Jak autor sám uvádí, analýza hlavních komponent, ani korelační analýza samy o sobě nezaručují optimální výběr příznaků pro klasifikaci dat. Informace poskytnuté jednoduchou, byť subjektivní, analýzou by tak mohly přispět důkladné interpretaci dosažených výsledků a návrhu modifikačních postupů pro vylepšení stávající metody. Práce by rovněž mohla obsahovat rozbor příznaků vybraných různými metodami a případně testování postupu využívajícího kombinaci výstupů z obou metod. Pro klasifikaci obratlů byly využity dopředné neuronové sítě lišící se počtem neuronů ve skrytých vrstvách. Konkrétně byly vybrány sítě se 3 a 4 skrytými vrstvami, což lze považovat za relativně rozsáhlou topologii. Určitě by stalo za to vyzkoušet i běžně využívanou konfiguraci s dvěma skrytými vrstvami, síť využívající jinou optimalizační techniku či jinak nastavené hyperparametry (např. krok učení) nebo dokonce zcela jiný klasifikační model, jako např. SVM aj. Avšak výsledky dosažené autorem jsou srovnatelné s výsledky jiných studií, což svědčí o vhodnosti vybraných postupů. Výsledky jsou prezentovány vhodnými prostředky, limity a výhody použitých metod jsou diskutovány. Zadání práce je tedy splněno v celém rozsahu. Práce působí celkově velmi kladným dojmem. Práci hodnotím klasifikačním stupněm B/87 b.
eVSKP id 118368