論文の概要: NeuroPilot: An Agent-Driven Smart Pipeline for Processing, Quality Control, and Managing Neuroimages
- arxiv url: http://arxiv.org/abs/2608.07541v1
- Date: Thu, 30 Jul 2026 19:36:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 01:32:04.558697
- Title: NeuroPilot: An Agent-Driven Smart Pipeline for Processing, Quality Control, and Managing Neuroimages
- Title（参考訳）: NeuroPilot: 処理、品質管理、管理のためのエージェント駆動型スマートパイプライン
- Authors: Yiyao Chen, Yucheng Li, Jungong Tong, Shaoqi Wang, Kunhao Zhou, Ziquan Wei, Monica Murea, Marissa DiPiero, Tingting Dan, Guorong Wu,
- Abstract要約: NeuroPilotは、神経画像処理、QC、データ管理の専門知識を3つのLCMイボケータブルスキルにデジタル化するマルチエージェントシステムである。
NeuroPilotは乳児から老齢児まで17のコホートに展開し,MRIを多用した。
乳児処理パイプラインはQC価入力で100%(201/201)完了率を達成した。
- 参考スコア（独自算出の注目度）: 12.23473002532912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transforming raw neuroimage archives into analysis-ready derivatives relies on three brittle stages: data standardization, modality-specific preprocessing, and quality control (QC). While individual neuroimaging tools are well developed, their orchestration requires project-specific scripts, environment-adaptive tuning, and labor-intensive manual QC. To address this, we introduce NeuroPilot, a multi-agent system that digitalizes the expertise of neuroimage processing, QC, and data management into three LLM-invocable skills: dcm2bids-skill, neuroimage-pre-skill, and qc-agent-skill. The LLM-driven agent autonomously orchestrates workflows, generalizing various infrastructure settings into a single configuration to achieve the highest scalability. Demonstrating the system's generalizability, we deployed NeuroPilot across 17 cohorts (>123,000 subjects) spanning infant to aging populations and multiple MRI modalities (structural, diffusion, functional). In practice, after standardizing data via the dcm2bids-skill, the agent dynamically routes datasets to the optimal neuroimage-pre-skill based on available modalities and cohort traits (e.g., dispatching T1w and fMRI data to fMRIPrep, or selecting specialized pipelines for infant cohorts). The qc-agent-skill then drives an evidence-based, semi-automated QC via a 3-D browser dashboard, utilizing a multi-tiered verification system to optimize failed cases and escalate complex issues for supervisor inspection. Quantitatively, our QC agent screened 558 production subjects, validating its automated flags against FreeSurfer's topology-defect metrics. The infant processing pipeline achieved a 100% (201/201) completion rate on QC-validated inputs. Importantly, NeuroPilot compresses the traditional 2--3 month timeline for training staff and processing complete datasets into a single week. NeuroPilot is deployed in https://wanda-cyberbench.com/.
- Abstract（参考訳）: 生のニューロイメージアーカイブを解析可能なデリバティブに変換するには、データの標準化、モダリティ固有の前処理、品質管理(QC)という3つの脆弱なステージに依存している。
個々のニューロイメージングツールはよく開発されているが、そのオーケストレーションにはプロジェクト固有のスクリプト、環境適応型チューニング、労働集約型マニュアルQCが必要である。
この問題を解決するために,ニューロピロ(NeuroPilot)は,ニューロイメージ処理,QC,データ管理の専門知識を,dcm2bids-skill,Neuroimage-pre-skill,qc-agent-skillの3つのLLM-invocableスキルにデジタル化するマルチエージェントシステムである。
LLM駆動のエージェントはワークフローを自律的にオーケストレーションし、さまざまなインフラストラクチャ設定を単一の構成に一般化して、最高のスケーラビリティを実現する。
システムの一般化性を実証し, 乳児から老化集団, 複数のMRIモダリティ(構造, 拡散, 機能)にまたがる17のコホート(>123,000名)にNeuroPilotを配置した。
実際には、dcm2bids-skillを介してデータを標準化した後、エージェントは利用可能なモダリティとコホート特性(例えば、T1wとfMRIデータをfMRIPrepにディスパッチしたり、幼児コホートのための特別なパイプラインを選択するなど)に基づいて、データセットを最適なニューロイメージ・プレスキルに動的にルーティングする。
qc-agent-skillは、3Dブラウザダッシュボードを介してエビデンスベースの半自動QCを駆動し、多層検証システムを使用して、失敗したケースを最適化し、監督検査のために複雑な問題をエスカレートする。
当社のQCエージェントは、FreeSurferのトポロジ欠陥メトリクスに対する自動フラグを検証し、558の被験者をスクリーニングしました。
乳児処理パイプラインはQC価入力で100%(201/201)完了率を達成した。
重要な点として、NeuroPilotは、トレーニングスタッフのための従来の2～3ヶ月のタイムラインを圧縮し、完全なデータセットを1週間に処理する。
NeuroPilotはhttps://wanda-cyberbench.com/にデプロイされる。
関連論文リスト
- CyberNeuro: A Privacy-Preserving Agentic Workbench for Cohort-Scale Neuroimage and Clinical Data Analysis [14.301679289938669]
CyberNeuroは、自動化されたニューロイメージングと健康データ分析のためのローカルLLMモデル(WandaMind)を備えたエージェントワークベンチである。
パブリックなNeuroBenchスイートでは、CyberNeuroはベースラインモデルの40%から69%にドメインの保持精度を向上する。
論文 参考訳（メタデータ） (2026-07-30T21:10:04Z) - CellDX AI Autopilot: Agent-Guided Training and Deployment of Pathology Classifiers [0.6445605125467574]
現在、計算病理学のためのAIモデルをトレーニングするには、高価な全画像データセットにアクセスする必要がある。
CellDX AI Autopilotは、ユーザがスライダー画像の分類器を訓練し、評価し、デプロイできるプラットフォームです。
論文 参考訳（メタデータ） (2026-05-11T11:08:10Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - NeuroAgent: LLM Agents for Multimodal Neuroimaging Analysis and Research [4.995664191055236]
NeuroAgentは、ニューロイメージングデータのキー前処理と分析ステップを自動化するエージェントフレームワークである。
自然言語クエリによるインタラクティブなダウンストリーム分析をサポートする。
これにより、前処理に必要な手作業の削減と、エンドツーエンドの自動分析パイプラインの実現が可能になる。
論文 参考訳（メタデータ） (2026-05-07T17:13:48Z) - NeuroClaw Technical Report [54.14941057366186]
NeuroClawは、神経イメージング研究のためのドメイン特化マルチエージェント研究アシスタントである。
NeuroClawは、フォーマットとモダリティをまたいだ生のニューロイメージングデータを直接運用する。
3階層のスキル/エージェント階層は、ユーザとのインタラクション、高レベルのオーケストレーション、低レベルのツールスキルを分離する。
論文 参考訳（メタデータ） (2026-04-27T16:57:14Z) - Qwen3-Coder-Next Technical Report [67.90974638938285]
コーディングエージェントに特化したオープンウェイト言語モデルQwen3-Coder-Nextを提案する。
Qwen3-Coder-Nextは推論中に30億のパラメータしか起動せず、効率的な推論で強力なコーディング機能を実現する。
論文 参考訳（メタデータ） (2026-02-28T16:25:04Z) - NeuroClean: A Generalized Machine-Learning Approach to Neural Time-Series Conditioning [0.0]
教師なし多目的脳波/LFP前処理方式であるNeuroCleanパイプラインを導入する。
パイプラインは5段階のプロセスとして設計されており、共通の帯域通過やラインノイズフィルタリング、悪いチャネル拒絶などが含まれる。
これは、クラスタリングアルゴリズムに基づく自動コンポーネント拒絶を伴う効率的な独立成分分析を組み込んでいる。
論文 参考訳（メタデータ） (2025-11-03T12:13:07Z) - NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。
我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。
実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
論文 参考訳（メタデータ） (2025-10-15T01:26:52Z) - MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。
事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。
最先端の微調整戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-07T15:22:53Z) - Boosting Low-Data Instance Segmentation by Unsupervised Pre-training
with Saliency Prompt [103.58323875748427]
この研究は、低データ体制のための新しい教師なし事前学習ソリューションを提供する。
近年のPrompting技術の成功に触発されて,QEISモデルを強化した新しい事前学習手法を導入する。
実験結果から,本手法は3つのデータセット上でのいくつかのQEISモデルを大幅に向上させることが示された。
論文 参考訳（メタデータ） (2023-02-02T15:49:03Z)
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。