Předložená diplomová práce se zabývá problematikou rekonstrukce mikro-CT dat z omezeného počtu projekcí s využitím metod strojového učení. Práce má standardní rozsah 69 stran. Struktura práce je logická a jednotlivé kapitoly na sebe navazují. V teoretické části je popsán princip rentgenové výpočetní tomografie, rekonstrukční algoritmy, interpolační metody a rešerše metod strojového učení. Zde oceňuji vhodné grafické doplnění textu pomocí vlastních obrázků.
V praktické části student navrhl a implementoval metodu pro rekonstrukci CT dat z omezeného počtu projekcí, založenou na interpolaci sinogramů, a porovnal 4 metody. Bilineární a bikubickou interpolaci a dvě metody hlubokého učení typu U-Net. Architektura sítě byla vhodně navržena tak, aby podvzorkovávala pouze úhlovou osu sinogramu a zachovávala detektorovou dimenzi. V části práce popisující architekturu neuronové sítě bych uvítal detailnější popis jednotlivých parametrů.
Vyhodnocení proběhlo objektivně i subjektivně, a to jak v sinogramové doméně, tak po rekostrukci v prostorové doméně. Nejlepších výsledků dosáhla metoda reziduálního učení, která vykazovala nejnižší chybu pro všechny stupně podvzorkování a nejvyšší robustnost při vysokém sparse koeficientu. Zde by bylo vhodné metody otestovat na větším počtu nezávislých měření než pouze na popisovaných třech vzorcích. Za hlavní omezení interpretace výsledků považuji uvádění pouze průměrných hodnot bez měr variability a chybějící HTML soubor v příloze práce s dalšími hodnotícími metrikami, popsaný na straně 59.
Po formální stránce je práce na dobré úrovni. Text je psán v anglickém jazyce odborným stylem a práce obsahuje jen menší množství překlepů. Seznam literatury čítá pouze 13, převážně zahraničních zdrojů. K tomuto tématu práce bych očekával hlubší práci s literaturou. Ze stylistického hlediska se v práci zbytečně vyskytují prázdná místa mezi odstavci textu, popisky tabulek umístěné pod tabulkami a chybějící kapitola závěru práce v jejím obsahu. Student během semestru pracoval aktivně, a samostatně přicházel s nápady pro zdárné řešení zadané práce. Hodnotím stupněm B (82 bodů). Points proposed by supervisor: 82

Student se ve své diplomové práci zabýval metodami rekonstrukce obrazů z řídkých tomografických dat pořízených pomocí mikro-CT. Ve své práci navrhl a otestoval 4 metody rekonstrukce na úrovni sinogramu, z toho 2 interpolační a 2 založené na hlubokých neuronových sítích. Všechny metody byly otestovány na rekonstrukci jednoho vzorku korálu. Byly testovány různé stupně úhlové degradace během snímání vzorku. Dosažené výsledky rekonstrukčních metod na různě degradovaných datech byly vzájemně objektivně i subjektivně porovnány a dále diskutovány. Práce je řazena logicky, psána srozumitelně, i když místy zdlouhavě bez přidané informační hodnoty. Naopak, popis některých technických detailů, jako například optimalizované hyperparametry modelů, jejich finální hodnoty nebo architektury sítí chybí. Po formální stránce je práce na dobré úrovni, avšak je zde řada nedostatků – popisy tabulek pod tabulkami, nevyznačené nejlepší hodnoty v tabulkách, nedostatečné popisky obrázků. V textu práce je uvedeno, že další výsledky jsou uvedeny v HTML přílohách práce, avšak žádné takové přílohy jsem nenašel. Po odborné stránce je práce také na dobré úrovni, kde vytýkám zejména uvádění pouze průměrných hodnot objektivních výsledků (očekával bych alespoň směrodatné odchylky nebo komplexnější boxploty a grafy závislosti objektivní metriky na míře degradace). Jistou limitací využitelnosti navržených metod v praxi je také pouze jeden dostupný vzorek. Student také v diskusi a závěru zmiňuje, že by bylo vhodné otestovat také různé velikosti výřezů (patches), s čímž nemohu než souhlasit a nerozumím tomu, proč tyto experimenty student neprovedl. Technické výstupy a jejich diskuse jsou nicméně věcně správné a v souladu s očekáváními. Literární rešerše je poněkud omezená, o čemž svědčí také na poměry diplomové práce v oblasti hlubokých neuronových sítí malý počet citovaných zdrojů (13 referencí). Chybí mi také snaha o implementaci a otestování také některých v rešerši uváděných pokročilejších metod. Zadání diplomové práce považuji za splněné v plném rozsahu. Práci hodnotím celkově stupněm C (70 bodů). Topics for thesis defence:

1. Jak vypadala finální architektura neuronových sítí?
2. Jaké hyperparametry byly Optunou optimalizovány, a jak byly po optimalizaci nastaveny?
3. Byla velikost výřezu (patch) také jedním z optimalizovaných hyperparametrů?

Points proposed by reviewer: 70