Studentka se v této práci zabývá segmentací/značením/labalingem svalů či svalových skupin stehen na obrazech pořízené magnetickou rezonancí. Data byla pořízena v rámci pilotní studie proveditelnosti za účelem ověření, jestli existují a jak přesně segmentují svaly různé volně dostupné algoritmy. Tento krok je časově extrémně zdlouhavý a pokud by se ukázalo, že tyto dostupné algoritmy segmentují velmi nepřesně, tak by bylo třeba v rámci případného uskutečnění projektu vytvořit vlastní algoritmus nebo segmentovat manuálně. Testovací dataset je relativně malý, protože pak došlo k obměně MR přístroje, takže data by nebyla vzájemně kompatibilní, ale pro tyto účely jsme považovali počet za dostatečný.
Z formální hlediska mohu konstatovat, že studentka splnila všechny body zadání, s jednou výjimkou, a to je bod 4, kdy studentka sice autory kontaktovala, ale žádný z nich jí neodpověděl, takže druhá část tohoto bodu zůstala nenaplněna, ale nikoliv pochybením na straně studentky.
V průběhu práce studentka chodila pravidelně na konzultace, které často sama vyvolala s aktuálními dotazy k problematice a chodila na ně vždy řádně připravena.
Při tvorbě samotné práce potvrdila porozumění dané problematice, avšak výsledná práce má několik nedostatků. Po formální stránce studentka explicitně neuvedla, že pracovala s pseudonymizovanámi daty, kdy k převodní tabulce mezi kódovým označením a rodným číslem neměla přístup. Také v práci neuvedla, že pilotní projekt byl schválen etickou komisí FN Brno a že všichni účastníci podepsali informovaný souhlas. Po grafické stránce bych volil vhodnější prezentaci grafů v kapitolách 5.1 a 5.2, kdy zabírají zbytečně moc místa a v některých případech nejsou příliš vypovídající (např. Obr 5.6). 
Studentka v průběhu řešení práce prokázala velkou míru samostatnosti a tvůrčí kreativity. Přestože předložená práce má určité nedostatky, její přínos je zřejmý a může posloužit jako dobrý základ pro další práci na této nebo obdobné tématice. Navrhuji bodové hodnocení 83 (B – velmi dobře). Points proposed by supervisor: 83

Předložená bakalářská práce studentky Apoleny Přikrylové se zabývá analýzou MR obrazů stehenních svalů. Práce je rozdělena do 7 kapitol na 52 stranách od úvodu po závěr.
V teoretické části práce je čtenář stručně seznámen s anatomií stehenních svalů, principy MRI zobrazování a je zde provedena podrobná rešerše segmentačních metod a dostupných publikovaných softwarových nástrojů pro segmentaci svalů na MR obrazech.
V praktické části práce studentka ve spolupráci s FNB vytvořila databázi 18 subjektů, z nichž 9 tvořili zdraví dobrovolníci a 9 pacienti s MD2 (myotonickou dystrofií 2. typu), což je velmi vzácné onemocnění. Pro každý subjekt byly k dispozici čtyři typy MR obrazů. Analýza stehenních svalů byla založena na T1-vážených obrazech se separací vody a tuku pomocí Dixonovy metody, PD multi-echo vážených gradientních sekvencích určených pro kvantitativní stanovení tukové frakce a na STIR sekvencích umožňujících potlačení signálu tuku.
Na základě provedené literární rešerše studentka využila veřejně dostupné softwarové nástroje MuscleMap Toolbox, TotalSegmentator a Dafne. Predikce získané pomocí těchto nástrojů následně porovnávala s vytvořeným zlatým standardem.
Po odborné i formální stránce mám k práci několik připomínek. Práce cituje celkem 66 položek literatury, avšak citace nejsou uvedeny v jednotném formátu dle předepsané citační normy. V kapitole 2 se navíc nachází nefunkční odkaz na citaci. Dále se řada citací odkazuje na webové stránky, přestože by v mnoha případech bylo možné využít recenzovanou odbornou literaturu. Popisy obrázků by si zasloužily být detailnější, i když jsou samotné obrázky v textu dostatečně popsány. V práci se vyskytuje pouze minimum překlepů, místy se však objevují drobné formální nedostatky, například chybějící tečka na konci věty nebo neuzavřená závorka. Popis detailních akvizičních parametrů použitých sekvencí bych ocenil souhrnně v kapitole 4.1 namísto jejich rozdělení mezi teoretickou a praktickou část práce. Přehledná tabulka akvizičních parametrů by navíc zlepšila čitelnost a přehlednost textu. V textu jsem nenašel zmínku o etické komisi, která by schvalovala snímání na dobrovolnících.
Rozumím tomu, že výstupy jednotlivých modelů mají odlišný charakter, přesto mám výhradu ke způsobu prezentace výsledků pomocí boxplotů. Pro každou metriku je zobrazen samostatný boxplot pro každý software, navíc s odlišným rozsahem na ose y, což čtenáři značně ztěžuje vzájemné porovnání výsledků. Ocenil bych sjednocení segmentací v rámci postprocessingu a následné vykreslení výsledků do společných boxplotů, které by umožnily přehlednější srovnání jednotlivých nástrojů. Největší připomínku mám k boxplotům koeficientu Dice, kde popis na ose y nepovažuji za vhodný.
Studentka porovnala úspěšnost jednotlivých softwarových nástrojů a ukázala, že nástroje MuscleMap Toolbox a TotalSegmentator představují perspektivní řešení pro automatizovanou segmentaci svalů a mohou být dále zvažovány pro využití v klinické praxi.
Předloženou práci celkově hodnotím známkou dobře (C – 70 bodů). Práci doporučuji k obhajobě. Topics for thesis defence:

1. V práci je pro hodnocení kvality segmentace využita Hausdorffova vzdálenost, která je známá svou vysokou citlivostí na odlehlé body segmentace. Z jakého důvodu jste nezvolila častěji používanou metodu 95% Hausdorffovy vzdálenosti (HD95), která tento problém částečně eliminuje?
2. Jakým způsobem byl splněn bod 4 zadání práce? Byly využité segmentační sítě pouze aplikovány na analyzovaná data, nebo došlo také k jejich přeučení, doladění (fine-tuningu) či jiné formě optimalizace?

Points proposed by reviewer: 70