Předložená diplomová práce se věnuje segmentaci a kvantitativní analýze předního zkříženého vazu na základě MRI dat. Práce má nadstandardní rozsah čítající 100 stran. Struktura práce je logická a jednotlivé kapitoly na sebe navazují. V práci je použito velké množství obrázků a tabulek, které vhodně doplňují informace v textu. Některé popisky obrázků, zejména v kapitolách 6 a 7, by mohly ale být více informativní. Po formální stránce je práce na velmi vysoké úrovni, obsahující pouze pár překlepů/stylistických nedostatků.
Student zvolil metodu založenou na hlubokém učení, konkrétně využil 3D konvoluční neuronovou síť typu U-Net pro segmentaci předního zkříženého vazu z dostupných MRI dat, přičemž výsledky porovnal s autonomním frameworkem nnU-Net. Před samotným trénováním modelu bylo provedeno rozsáhlé předzpracování dat (normalizace intenzit, sjednocení orientace datasetů, augmentace). Pro trénování modelu student anotoval dostupná data navrženým poloautomatickým postupem, což umožnilo efektivně vytvořit kvalitní trénovací dataset a tím podpořit natrénování robustnějšího segmentačního modelu. Na segmentaci následně navazuje analytický postup, který ze získaných segmentačních masek automaticky extrahuje geometrické příznaky pro další kvantitativní hodnocení. Tyto příznaky zahrnují například objem, polohu úponů vazu, orientační úhly či texturové charakteristiky, které umožňují detailní a objektivní posouzení stavu analyzovaného vazu. Z metodického hlediska nemám k práci žádné výhrady.
Vzhledem k heterogenitě dostupných dat, segmentační výstupy vykazují rozumné přesnosti (skóre Dice koeficientu = 0.815), což představuje solidní základ z hlediska přesnosti pro navazující kvantitativní geometrickou analýzu vazu.
Student pracoval aktivně a samostatně a na konzultace přicházel připraven s vlastními nápady pro implementaci. V práci bylo citováno 57 zdrojů převážně zahraniční literatury.
Práci hodnotím stupněm A (98 bodů). Points proposed by supervisor: 98

Student ve své diplomové práci vyvíjel automatizovaný nástroj pro segmentaci a kvantitativní analýzu předního zkříženého vazu z 3D MRI dat po rekonstrukčních výkonech: implementoval vlastní 3D U-Net, porovnal jej s frameworkem nnU-Net a navázal řetězec pro extrakci geometrických a radiomických parametrů. Zvolené téma je náročné — nízký kontrast vazu, pooperační artefakty i nutnost vytvořit vlastní anotace — a jeho zvládnutí v tomto rozsahu považuji za nadprůměrný výkon.

Po formální stránce je práce na velmi dobré úrovni — čtivá a srozumitelná, s konzistentní terminologií, bohatou zdrojovou základnou a kvalitními vektorovými obrázky; využití generativní AI je řádně deklarováno pro refaktorizaci kódu a jazykovou korekturu. Ocenil bych větší stručnost, neboť dlouhý popis místy zastiňuje zajímavé výsledky. Výtku mám ke zdrojovému kódu (nestandardně strukturovaný, bez dokumentace) a k odkazu na repozitář, který v době psaní posudku nefunguje (zřejmě nastaven jako soukromý).

Teoretická rešerše je u diplomové práce výrazně nadprůměrná: vychází z odborných článků, pokrývá aktuální témata (přenosové učení, foundation modely typu SAM, nnU-Net, ztrátové funkce) a klíčové práce (Flannery et al., Nguyen et al.) rozebírá do detailu i zohledňuje v praxi. Zbytečně obsáhlý je naopak popis obecně známé teorie magnetické rezonance, architektury U-Net a evaluačních metrik.

Praktická část je mimořádně kvalitní a svým rozsahem i metodickou pečlivostí výrazně přesahuje obvyklou diplomovou práci: pětinásobná křížová validace, dvě nezávislé testovací množiny, ensemble pěti modelů, vyhodnocení Dice i HD95 a Wilcoxonův párový test s ověřením normality. Velmi vysoko hodnotím optimalizaci hyperparametrů knihovnou Optuna, která u většiny prací zcela chybí, i mimořádně poctivý sebekritický rozbor jejích výsledků — student sám uvádí, že většina prohledávaného prostoru se chová jako šum a citlivý je pouze počet filtrů. Tuto badatelskou poctivost, která se táhne celou prací, oceňuji obzvlášť: student nezakrývá, že jeho model je vůči nnU-Netu prakticky ve všech metrikách horší nebo srovnatelný, takže přidaná hodnota vlastní architektury je spíše didaktická než praktická.

Optimalizace má i slabiny: 30 trialů je na takto široký prostor málo a MedianPruner po několika silných úvodních bězích prořezal i srovnatelné konfigurace, takže nalezené „optimum“ může být jeho artefaktem a zasloužilo by další analýzu. Padesát radiomických příznaků bylo testováno bez korekce na mnohonásobné srovnávání. U řady voleb (způsob standardizace, poměry zastoupení tříd, instance normalization, nepoužití PD FS) bych ocenil rozhodnutí podložené vyhodnocením, nikoli odhadem. Za zásadní nedostatek považuji chybějící augmentaci samotného kontrastu, tedy lineární škálování a posun intenzit — intenzitní augmentace se omezuje na gama korekci, šum a bias field. Při zvolené normalizaci (ořez na percentily a přeškálování do [0, 1]) tak budou data velmi citlivá na rozdíly kontrastu mezi přístroji a protokoly, což ohrožuje generalizaci na snímky z jiných skenerů. Navazující analytický modul (kap. 7) je naopak samostatná a obdivuhodně netriviální inženýrská práce (Bernard–Hertelova mřížka, Stäubliho procento, index tortuozity, orientace tibiálního plata přes PCA, radiomika).

Student prokázal výbornou schopnost práce s řadou knihoven (MONAI, PyTorch, Optuna, PyRadiomics, PyVista) i nadprůměrný nadhled při kritice vlastních výsledků. Rozhodně nešel cestou nejmenšího odporu — naopak se pustil do náročné a dosud málo prozkoumané problematiky a přináší funkční, byť zatím neklinický základ pro navazující longitudinální studii. Zadání bylo splněno v plném rozsahu, práci hodnotím jako vynikající a velmi zdařilou se stupněm A – 99 bodů. Topics for thesis defence:

1. Vlastní 3D U-Net byl v segmentaci ACL ve většině metrik, zejména v robustnosti (Max HD95 84 mm vs. 9,31 mm u nnU-Netu), překonán nnU-Netem. V čem spatřujete přidanou hodnotu vlastní architektury a proč jste navazující analytický řetězec a párovou studii nestavěl rovnou na predikcích spolehlivějšího nnU-Netu?
2. Optuna označila počet filtrů na horní hranici (64) jako jediný citlivý parametr a MedianPruner ukončil 20 z 25 trialů na základě prvních strmých běhů. Nemohl tento agresivní pruning při nízkém počtu trialů vyřadit perspektivní konfigurace ještě před konvergencí, a jak byste optimalizaci přenastavil (např. warm-up bez pruningu, rozšíření rozsahu filtrů)?
3. Vaši síť jste pro tento dataset ladil cíleně (Optuna), zatímco nnU-Net se konfiguruje automaticky — přesto dosahuje lepších a robustnějších výsledků. Čím si to vysvětlujete a které konkrétní složky nnU-Netu (augmentace, normalizace, vzorkování výřezů, trénovací schéma, postprocessing, ensembling) na tom mají podle vás největší podíl?

Points proposed by reviewer: 99