Disertasi
Synthetic image generator berbasis denoising diffusion probabilistic models untuk meningkatkan performa computer-aided diagnosis dalam mendeteksi kanker payudara pada citra mammography / Raymond Sutjiadi
Abstrak
Keterbatasan dataset citra mammography dari sisi jumlah merupakan hambatan utama dalam pengembangan sistem Computer-Aided Diagnosis (CAD) berbasis deep learning yang akurat untuk deteksi kanker payudara. Penelitian ini memelopori pemanfaatan synthetic image generator berbasis Denoising Diffusion Probabilistic Models (DDPM) sebagai alternatif teknik augmentasi data tradisional untuk menghasilkan dataset sintetik berkualitas tinggi. Dataset sintetik ini diharapkan dapat memperkaya data pelatihan untuk meningkatkan jumlah serta meningkatkan performa sistem CAD dalam mendeteksi kanker payudara. Metode penelitian ini melibatkan pembuatan citra mammography sintetik menggunakan model DDPM yang dilatih pada dataset publik INbreast. Ada total 450 citra mammography sintetik yang dihasilkan dalam 3 kelas klasifikasi dan 500 citra mammography sintetik yang dihasilkan dalam 2 kelas klasifikasi. Kualitas citra sintetik lalu dilakukan evaluasi menggunakan metrik Fr eacute chet Inception Distance (FID) presisi dan recall. Selanjutnya dataset sintetik digabungkan dengan dataset asli dalam berbagai skenario untuk melatih sistem CAD dengan arsitektur EfficientNetV2L. Kinerja sistem CAD dievaluasi menggunakan parameter akurasi presisi recall dan F1-score pada skenario klasifikasi 2 kelas (normal abnormal) dan 3 kelas (normal benign malignant) dengan uji validasi silang menggunakan Stratified K-fold 5 Splits dan uji validitas menggunakan Paired T-Test. Hasil penelitian menunjukkan bahwa penambahan dataset sintetik secara signifikan meningkatkan akurasi sistem CAD yang divalidasi menggunakan uji Paired T-Test. Pada klasifikasi 3 kelas (normal benign malignant) rata-rata akurasi meningkat signifikan dari 61% menjadi 79% (peningkatan 18%) dengan nilai p-value 0 00009 (p lt 0 05) pada skenario terbaik. Pada klasifikasi 2 kelas (normal abnormal) rata-rata akurasi meningkat dari 82% menjadi 95% (peningkatan 13%) dengan nilai p-value 0 00451 (p lt 0 05). Kesimpulannya synthetic image generator berbasis DDPM terbukti efektif untuk memperkaya jumlah dataset dan secara signifikan meningkatkan akurasi serta keandalan sistem CAD untuk deteksi kanker payudara.