Deepfake Medical Image Detection Using You Only Look Once Version 11 (YOLOv11) Technology
DOI:
https://doi.org/10.25077/TEKNOSI.v12i1.2026.79-86Keywords:
Deep Learning, Severity of acne, Web apps, RGB imageAbstract
One of the new challenges resulting from the advancement of Artificial Intelligence is the creation of artificially realistic media, including the generation of fake images known as deepfakes. The generation of increasingly realistic fake images is also carried out in various fields of life including health. Detection methods are constantly being updated to address the misuse of fake medical images. This research focuses on deepfake detection using real and fake lung CT scan datasets. The YOLOv11 model is tested incrementally to be able to detect both types of images. Two manipulation methods CT-GAN and stable diffusion (SD) are used to test the performance of the YOLOv11 model. The results showed that the YOLOv11 model tested using stable diffusion artificial image manipulation achieved 100% accuracy, precision, recall and f1-score. Meanwhile, CT-GAN image manipulation has problems in producing a perfect model in distinguishing real and fake lung cancer CT scan images. With further improvements and enhancements, YOLOv11 fine tuning results can be one of the options for deepfake medical image models that are relatively lightweight, fast, and accurate.References
J. K. Tan and K. Bhate, “A global perspective on the epidemiology of acne,” British Journal of Dermatology, vol. 172, no. S1, pp. 3–12, 2015, doi: 10.1111/bjd.13462.
A. Alzahrani, I. Petri, Y. Rezgui, and A. Ghoroghi, “Decarbonisation of seaports: A review and directions for future research,” Energy Strategy Reviews, vol. 38, p. 100727, Nov. 2021, doi: 10.1016/j.esr.2021.100727.
N. Yadav, S. M. Alfayeed, A. Khamparia, B. Pandey, D. N. Thanh, and S. Pande, “HSV model based segmentation driven facial acne detection using deep learning,” Expert Systems, vol. 39, no. 3, p. e12760, 2022, doi: 10.1111/exsy.12760.
C. Aggarwal, “Neural Networks and Deep Learning. Cham: Springer International Publishing, 2018”.
Z. V. Lim et al., “Automated grading of acne vulgaris by deep learning with convolutional neural networks,” Skin Research and Technology, vol. 26, no. 2, pp. 187–192, 2020, doi: 10.1111/srt.12794.
L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” Journal of big Data, vol. 8, pp. 1–74, 2021, doi: 0.1186/s40537-021-00444-8.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” presented at the Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778. doi: 10.1109/CVPR.2016.90.
H. Zhang and T. Ma, “Acne detection by ensemble neural networks,” Sensors, vol. 22, no. 18, p. 6828, 2022, doi: 10.3390/s22186828.
Q. T. Huynh et al., “Automatic acne object detection and acne severity grading using smartphone images and artificial intelligence,” Diagnostics, vol. 12, no. 8, p. 1879, 2022, doi: 10.3390/diagnostics12081879.
S. Liu et al., “AcneGrader: An ensemble pruning of the deep learning base models to grade acne,” Skin Research and Technology, vol. 28, no. 5, pp. 677–688, 2022, doi: 10.1111/srt.13166.
A. Quattrini, C. Boer, T. Leidi, and R. Paydar, “A deep learning-based facial acne classification system,” Clinical, Cosmetic and investigational dermatology, pp. 851–857, 2022, doi: 10.2147/ccid.s360450.
S. Liu et al., “AcneTyper: an automatic diagnosis method of dermoscopic acne image via self-ensemble and stacking,” Technology and Health Care, vol. 31, no. 4, pp. 1171–1187, 2023, doi: 10.3233/thc-220295.
S. K. Roy, G. Krishna, S. R. Dubey, and B. B. Chaudhuri, “HybridSN: Exploring 3-D–2-D CNN feature hierarchy for hyperspectral image classification,” IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 2, pp. 277–281, 2019, doi: 10.1109/LGRS.2019.2918719.
J. Wang et al., “A cell phone app for facial acne severity assessment,” Applied Intelligence, vol. 53, no. 7, pp. 7614–7633, 2023, doi: 10.1007/s10489-022-03774-z.
F. Chollet, “Xception Deep learning with depthwise separable convolutions,” presented at the Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 1251–1258. doi: 10.1109/CVPR.2017.195.
Downloads
Submitted
Accepted
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Nasional dan Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 