Augmentasi Citra Pra-Kanker ServiksMenggunakan Arsitektur Pix2pix

Abstract

Kanker serviks merupakan salah satu penyebab utama kematian akibat kanker pada perempuan di seluruh dunia. Deteksi dini melalui skrining seperti Inspeksi Visual Asam Asetat efektif dan terjangkau, namun masih menghadapi kendala berupa subjektivitas interpretasi hasil serta keterbatasan tenaga medis spesialis. Seiring berkembangnya kecerdasan buatan, model deep learning mulai dimanfaatkan untuk mendukung diagnosis medis, tetapi kinerjanya sangat bergantung pada ketersediaan dataset yang besar dan beragam. Dataset publik milik International Agency for Research on Cancer, masih terbatas dalam jumlah, variasi, dan kualitas, sehingga menghambat kemampuan model dalam melakukan generalisasi. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan pemanfaatan conditional Generative Adversarial Network, khususnya arsitektur Pix2pix, sebagai metode augmentasi citra pra-kanker serviks. Model ini menghasilkan citra sintetis fotorealistis berdasarkan masker segmentasi multikelas yang terdiri dari tiga kelas utama, yaitu Cervical Area, Columnar Area, dan Lesion, menggunakan dataset citra post-IVA pra-kanker serviks dari RSUP Mohammad Hoesin dan IARC. Hasil penelitian menunjukkan bahwa metode augmentasi menggunakan Pix2pix menghasilkan citra sintetis yang realistis dan konsisten dengan citra asli. Berdasarkan evaluasi Fréchet Inception Distance, model dengan resolusi citra 640×640 piksel mencapai nilai FID sebesar 54,37, menunjukkan tingkat kemiripan tinggi dengan citra nyata. Dengan demikian, augmentasi menggunakan arsitektur Pix2pix efektif dalam memperkaya variasi dataset medis dan menjadi solusi potensial untuk mengatasi keterbatasan data dalam pengembangan model segmentasi citra pra-kanker serviks yang lebih akurat dan andal.