Práce studenta Matúše Smolky se zabývá segmentací jater z multiparametrických preklinických MR dat. Jedná se o aktuální a odborně náročné téma, zejména s ohledem na omezený počet dostupných měření (přibližně 10 subjektů). Student navrhl a implementoval semiautomatický segmentační postup založený na modelu Gaussian Mixture Model (GMM), který dále rozšířil o následné kroky zpracování vedoucí ke zlepšení kvality finální segmentace. Přínosem práce je zejména kombinace multiparametrického přístupu s navrženým segmentačním postupem, která umožňuje efektivně využít MR vážené obrazy (jejich intenzity) i parametrické mapy pro segmentaci jater při omezeném množství dostupných dat. Navržený postup segmentace zároveň vytváří vhodný základ pro budoucí segmentaci dalších orgánů v abdominální oblasti u myší i potkanů.
V průběhu řešení student prokázal schopnost samostatně pracovat s MR daty, navrhnout vlastní metodiku zpracování a vytvořit funkční segmentační nástroj v jazyce Python. Oceňuji zejména množství práce, které student věnoval návrhu, implementaci a ladění navrženého segmentačního postupu, stejně jako jeho průběžnému ověřování na dostupných datech a vylepšování robustnosti řešení.
Výslednou úroveň práce snižuje větší množství formálních a dokumentačních nedostatků. Tyto nedostatky nesnižují odborný přínos ani rozsah odvedené práce, negativně však ovlivňují její celkovou prezentaci.
Student splnil zadání bakalářské práce ve všech bodech zadání. S přihlédnutím k odborné náročnosti tématu, rozsahu odvedené práce, a uvedeným nedostatkům doporučuji práci k obhajobě. Points proposed by supervisor: 85

Práce se zabývá multiparametrickou segmentací jater v preklinickém MR zobrazování hlodavců. Téma je aktuální a náročné vzhledem k nestandardizaci preklinických dat. Autor navrhl semiautomatický segmentační algoritmus založený na modelu Gaussian Mixture Model (GMM), doplněný o další metody zlepšující kvalitu segmentace. Za přínosné považuji využití více MR akvizičních metod preklinické studie pro zlepšení výsledku segmentace.
Formální stránka práce ztěžuje orientaci čtenáře. Na straně 18 (kap. 1.1.1) se nachází neodstraněný pozůstatek chybného formátování („Chyba! Nenašiel sa žiaden zdroj odkazov.“). Autor neodkazuje v textu na obrázky a tabulky a v popiscích obrázků používá různé styly a velikosti písma. Střídá patkový a nepatkový základní text na stranách 21 a 22, v kapitole 5.4.1 a uprostřed poslední věty na straně 47. V seznamu literatury kombinuje češtinu a angličtinu („year“, „strana“, „číslo“), rovnice značí nejednotně (v závorkách, někde bez nich). Nedefinuje symboly v rovnicích 4.3 až 4.6, přestože rovnice 4.3 je základem navrženého řešení. Nespecifikuje zkratky některých MR parametrů (TR není ani v seznamu) a v popisu použitých akvizičních metod (str. 32) chybí jejich parametry a hodnoty (rozsahy hodnot). Obrázek 1.3 (celá abdominální oblast) neobsahuje označení jater, přestože má sloužit k jejich porovnání mezi člověkem a hlodavcem. Přiložená vstupní obrazová data (zip soubor) nejsou kompletní kvůli omezení velikosti přílohy. Přestože z poskytnutých kódů lze usuzovat na funkčnost algoritmu, reprodukovatelnost postupů a závěrů je omezená. Vhodnější je poskytnout sadu vstupních dat různých akvizic, důležitých pro kvalitu navržené segmentace, na úkor počtu řezů a 3D vizualizace.
Práci hodnotím stupněm B, 80 bodů. Topics for thesis defence:

1. 1. V obrázku 4.1 je „feature vector“ popisován jako vektor signálových intenzit měřených vstupních obrazů (kvantitativními parametry váhovaných), v kap. 4.2. je "feature vector" definován jako kombinace intenzit a kvantitativních parametrů odvozených z těchto obrazů. Upřesněte a pokud zahrnuje i kvantitativní parametry (např. relaxační časy), proč není popsán jejich výpočet?
2. 2. Víceřezová (objemová) informace je využita až při závěrečném zpřesnění segmentace. Často se, například v MR difuzním zobrazování při stanovení nervových drah, využívá prostorových vztahů mezi řezy. Zlepšila by analýza podobnosti "feature vectorů" mezi řezy samotné clusterování?

Points proposed by reviewer: 80