Augmentasi Data Sintetis Berbasis DCGAN untuk Citra Neoplasia Intraepitel Serviks (CIN)

Abstrak

Salah satu tantangan utama dalam pencitraan medis adalah keterbatasan ketersediaan dataset berkualitas tinggi. Untuk mengatasi hal ini, Generative Artificial Intelligence (AI Generatif) menawarkan solusi menjanjikan dengan menghasilkan citra medis sintetis guna memperluas dataset yang ada. Penelitian ini mengeksplorasi penerapan Deep Convolutional Generative Adversarial Networks (DCGAN) untuk augmentasi data pada citra CIN (Cervical Intraepithelial Neoplasia). Dua skenario pelatihan diterapkan: DCGAN dengan augmentasi data manual dan tanpa augmentasi manual. Kualitas citra dievaluasi menggunakan Fréchet Inception Distance (FID). Hasil penelitian menunjukkan bahwa penerapan augmentasi data meningkatkan stabilitas pelatihan dan memperbaiki kualitas citra yang dihasilkan dengan skor FID sebesar 2,21. Sebaliknya, pelatihan DCGAN tanpa augmentasi manual menghasilkan skor FID lebih tinggi, yaitu 2,52, yang menunjukkan kualitas citra lebih rendah. Temuan ini menegaskan efektivitas DCGAN dalam augmentasi citra medis serta potensinya untuk meningkatkan model diagnosis berbasis deep learning pada deteksi atau klasifikasi kanker serviks.