DCGAN-Based Synthetic Data Augmentation for Cervical Intraepithelial Neoplasia (CIN) Images | Augmentasi Data Sintetis Berbasis DCGAN untuk Citra Neoplasia Intraepitel Serviks (CIN)

Inglés. One of the major challenges in medical imaging is the limited availability of high-quality datasets. To address this, Generative Artificial Intelligence (Generative AI) offers a promising solution by generating synthetic medical images to augment existing datasets. This study explores the application of Deep Convolutional Generative Adversarial Networks (DCGAN) for data augmentation in CIN imaging. Two training scenarios were implemented: DCGAN with manual data augmentation and another without manual augmentation. The image quality was evaluated using the Fréchet Inception Distance (FID). The results indicate that incorporating data augmentation improves the stability of training and enhances the quality of generated images FID scores of 2.21. In contrast, training DCGAN without manual augmentation resulted in a higher FID score of 2.52, indicating lower image quality. These findings highlight the effectiveness of DCGAN in medical image augmentation and its potential to enhance deep learning-based diagnostic models for cervical cancer detection or classification.

Indonesio. 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.