Generative AI Menggunakan DCGAN untuk Analisis Citra Ultrasonografi Jantung Janin

Abstract

Penelitian ini bertujuan untuk menghasilkan citra ultrasonografi jantung janin sintetis menggunakan Deep Convolutional Generative Adversarial Network (DCGAN). Model dilatih secara terpisah untuk setiap pasien dengan konfigurasi pelatihan yang sama guna menilai kemampuan DCGAN dalam mereplikasi pola anatomi pada berbagai kategori kelainan jantung bawaan, yaitu Atrial Septal Defect (ASD), Atrioventricular Septal Defect (AVSD), Ventricular Septal Defect (VSD), dan kondisi normal. Evaluasi dilakukan menggunakan metrik Fréchet Inception Distance (FID), Kernel Inception Distance (KID), dan Learned Perceptual Image Patch Similarity (LPIPS) disertai analisis visual. Hasil menunjukkan variasi kualitas antar pasien; sebagian citra memperlihatkan struktur anatomi yang jelas, sedangkan lainnya tampak seragam atau kabur karena keterbatasan data. Nilai FID yang relatif tinggi menandakan distribusi citra sintetis belum sepenuhnya menyerupai citra asli, sementara nilai KID dan LPIPS menunjukkan kemiripan perseptual yang baik. Temuan ini mengindikasikan potensi DCGAN sebagai pendekatan generatif untuk memperluas dataset ultrasonografi medis