論文の概要: TopoAgent: An Agentic Framework for Automated Topology Learning in Medical Imaging
- arxiv url: http://arxiv.org/abs/2606.29763v1
- Date: Mon, 29 Jun 2026 04:17:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.037304
- Title: TopoAgent: An Agentic Framework for Automated Topology Learning in Medical Imaging
- Title（参考訳）: TopoAgent:医療画像におけるトポロジー学習のためのエージェントフレームワーク
- Abstract要約: トポロジカルデータ解析(TDA)は、医用画像の幾何学的構造特性を捉える。
与えられた画像データセットに最も適したトポロジ的記述子を自動的に決定できる、LLMベースのエージェントフレームワークは知られていない。
TopoAgentは、21のドメイン固有のツールと、実行時のエクスペリエンスを蓄積するデュアルメモリによってサポートされているパーセプション--推論--アクション--リフレクションループを介して動作する。
- 参考スコア（独自算出の注目度）: 17.631954558193122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Topological data analysis (TDA), particularly persistent homology (PH), captures geometric structural properties in medical images (e.g., connected components, loops, shape characteristics), which conventional pixel-level deep learning approaches often neglect. While many topological descriptors are known for converting persistence diagrams (PDs) or raw images into topological feature vectors, existing methods mostly default to a single fixed descriptor (e.g., persistence images), leaving the diversity of topological representations largely unexplored. To the best of our knowledge, there is no known large language model (LLM)-based agentic framework that can automatically determine the most suitable topological descriptors for a given image dataset and produce the corresponding topological feature vectors for downstream tasks. To fill this gap, we propose \textbf{TopoAgent}, an LLM-based agentic framework that automates topology learning for medical image analysis.TopoAgent operates through a Perception--Reasoning--Action--Reflection loop supported by 21 domain-specific tools and dual memory that accumulates experience across runs. Its skill set is distilled from systematic evaluation of 15 topological descriptors across 26 datasets with six classifiers. TopoAgent analyzes input images and their topological characteristics, reasons about which topological descriptors best suit the input, and determines the optimal descriptor and its configuration, all without task-specific training.
- Abstract（参考訳）: トポロジカルデータ分析(TDA)、特に持続的ホモロジー(PH)は、医学画像(例えば、連結成分、ループ、形状特性)の幾何学的構造特性を捉え、従来のピクセルレベルのディープラーニングアプローチは無視されることが多い。
多くのトポロジ的記述子は、永続化図(PD)や生画像をトポロジ的特徴ベクトルに変換することで知られているが、既存の方法は、主に1つの固定された記述子(例えば、永続化画像)にデフォルトであり、トポロジ的表現の多様性はほとんど探索されていない。
我々の知る限り、ある画像データセットに最適なトポロジ的記述子を自動的に決定し、下流タスクに対応するトポロジ的特徴ベクトルを生成することができる、LLMベースのエージェントフレームワークは知られていない。
このギャップを埋めるために,医学画像解析のためのトポロジ学習を自動化する LLM ベースのエージェントフレームワークである \textbf{TopoAgent} を提案する。
そのスキルセットは、6つの分類器を持つ26のデータセットにわたる15のトポロジカル記述子の体系的評価から抽出される。
TopoAgentは入力画像とそのトポロジカル特性を分析し、どのトポロジカルディスクリプタがどの入力に最も適しているかを判断し、最適なディスクリプタとその構成をタスク固有のトレーニングなしで決定する。
関連論文リスト
- Unlocking Biological Workflows for Robust Protein-Text Question Answering: A Dual-Dimensional RAG Framework [60.82334952881798]
タンパク-テキスト質問回答(QA)は、自然言語による生物学的配列の解釈に不可欠である。
2D-ProteinRAGは,大規模言語モデル(LLM)を金本位生物研究ワークフロー内で動作させる新しいフレームワークである。
本研究では,2D-Proteinが常に最先端の性能を達成し,微調整ベースラインや他のRAG法よりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2026-05-17T05:03:24Z) - Topological Signatures of Grokking [5.246889031503699]
トポロジーのレンズを通してグラッキング現象を研究する。
永続ホモロジーは、表現学習の統一的幾何学的および位相的特徴を与える。
この結果から、持続的ホモロジーは、トレーニング中にニューラルネットワークが潜在構造をどのように分析するかを、原則的かつ解釈可能なフレームワークとして提供することが示唆された。
論文 参考訳（メタデータ） (2026-05-07T14:33:22Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。
人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。
実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
論文 参考訳（メタデータ） (2025-12-18T08:38:44Z) - Integrating Multi-scale and Multi-filtration Topological Features for Medical Image Classification [20.820287362872975]
ディープニューラルネットワークは、医用画像分類において顕著な性能を示している。
マルチスケールおよびマルチフィルタ型永続的なトポロジ特徴を抽出する新しいトポロジ誘導型分類フレームワークを提案する。
我々のアプローチは、複雑な解剖学的構造を認識するためのモデルの能力を高める。
論文 参考訳（メタデータ） (2025-12-08T06:02:02Z) - Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism [61.01709143437043]
階層型タスク抽象化機構(HTAM)を中心とした新しいエージェント設計フレームワークを提案する。
具体的には、HTAMは、社会的役割のエミュレーションを超えて、代わりに、複数のエージェントシステムを、あるドメインの固有のタスク依存グラフを反映する論理階層に構造化する。
我々は、複雑な地理空間解析に適したマルチエージェントシステムであるEarthAgentとして、このフレームワークをインスタンス化する。
論文 参考訳（メタデータ） (2025-11-21T12:25:47Z) - Comparing the Effects of Persistence Barcodes Aggregation and Feature Concatenation on Medical Imaging [0.9524546889479364]
医用画像解析において、特徴工学は機械学習モデルの設計と性能において重要な役割を果たす。
持続的トポロジカルな特徴と幾何学的特徴を永続的バーコードとして保存する。
分類モデルの性能に対する2つのアプローチの効果を比較した。
論文 参考訳（メタデータ） (2025-05-29T16:45:33Z) - PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。
本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。
本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2025-04-09T14:58:21Z) - Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。
ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。
トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-05T16:20:14Z) - Image Classification using Combination of Topological Features and
Neural Networks [1.0323063834827417]
我々は、データ空間から重要なトポロジ的特徴を抽出するために、永続的ホモロジー法、すなわち、トポロジ的データ解析(TDA)の技法を用いる。
これは、MNISTデータセット内の複数のクラスから画像を分類することを目的として行われた。
提案手法は,1ストリームと2ストリームのニューラルネットワークによって構成されるディープラーニングアプローチにトポロジ的特徴を挿入する。
論文 参考訳（メタデータ） (2023-11-10T20:05:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。