DICOM CT 到 NIfTI 体数据转换
将单个 CT DICOM 序列转换为带仿射证据的 HU NIfTI 体数据。
证据显示仅声明 Bash、无网络端点、写入调用方指定目录，并明确工程用途和非临床边界；但未要求用户确认，Bash 权限仍较宽，递归读取目录并输出 Study/Series UID、日期和描述等可能敏感的 DICOM 元数据，未提供去标识化、访问隔离、回滚或失败清理机制，因此扣 8 分。
文档、清单、脚本和验证器定义了主要路径、依赖、错误 JSON 与故障排查；但静态代码显示多序列和多帧并未在脚本中真正拒绝，形状不一致时可能不写 NIfTI，切片间距异常仅报告，且错误输出不一定满足声明的完整输出 schema。静态校准下未执行复现，因此限制在 10 分以内并扣分。
输入、输出、单系列 CT 场景和主要非适用范围较清楚，并有正负触发任务；但触发条件、输入预检、临床数据处理边界和中文使用说明不足。依赖为本地 Python 包，不依赖海外服务，因此没有因中国大陆网络可达性额外扣分。
SKILL.md、manifest、schema、skill-card、版本 0.1.0、Apache-2.0 声明和 NVIDIA MedTech 归属较完整；但缺少 Examples、changelog、明确维护责任与更新流程，且给定许可证元数据为 NOASSERTION，与文件内 Apache-2.0 信息存在治理层面的不确定性，因此扣分。
目标是将单一 CT DICOM 系列转换为 HU NIfTI 并输出几何证据，输出字段和下游验证器接口明确；评估材料报告了有限任务上的正确性和有效性，但只有 2 个任务，且静态审查未执行或独立核验，复杂真实 DICOM、压缩编码和临床替代价值仍有限，因此按静态上限保守给分。
存在固定 fixture、生成器、schema、负向 fixture、重复运行配置、配对 verifier 和评估报告，提供了可审计结构；但本次仅有源文件证据，评估数字和验证结果未附可独立核验的 CI 测试产物，覆盖范围也很窄，因此未超过静态上限并扣分。
- 不要将该转换器用于临床、诊断、监管提交或生产推理；必须先确认输入是单一 CT 系列，并检查输出 JSON、affine、axcodes、形状、spacing 和 HU 范围。
- 真实 DICOM 可能包含 PHI；脚本会输出 UID、日期和描述等元数据，执行前应采用组织批准的去标识化、访问控制和证据目录保护措施。
- 多帧、压缩传输语法、混合系列、形状不一致或异常切片间距应在转换前单独预检；不要仅依赖脚本的直接执行结果。
这个 Skill 能做什么，适合哪些场景？
该技能读取一个 CT DICOM 序列文件夹，将切片排序并转换为 HU NIfTI 体数据。它依据 DICOM 的方向与间距标签构建仿射矩阵，并输出 NIfTI 文件和 JSON 摘要。运行结果还应通过配套的 dicom_volume_quality_v1 校验器检查。它只支持单序列、非多帧、非压缩 DICOM，且不适用于临床部署。
读取一个 DICOM 序列目录；按 ImagePositionPatient 排序切片；应用 RescaleSlope 和 RescaleIntercept 转换 HU；根据方向和间距标签构建 RAS 坐标系下的 NIfTI 仿射矩阵；运行 scripts/series_to_volume.py；输出 .nii.gz 体数据和 JSON 摘要，包含切片数、序列 UID、形状、间距、轴码、仿射矩阵、HU 范围和转换耗时等字段。
- 医疗影像工程师需要把单个 CT 序列转换为可供后续处理使用的 HU NIfTI 体数据时。
- 数据科学家需要检查 DICOM 切片排序、体素间距和空间仿射证据时。
- 医学 AI 开发者在将 CT 体数据送入分割模型前，需要由 expected_axcodes 等下游门验证方向时。
- 评估人员需要运行受信任转换流程并保留 JSON 与校验器证据时。
这个 Skill 有哪些优点和局限？
- 明确支持 CT 到 HU NIfTI 的转换流程。
- 输出仿射矩阵、轴码、间距和 HU 范围等可审查证据。
- 包含单序列、多帧、压缩传输语法和临床用途等边界说明。
- 支持 Bash 调用，并提供受信任运行方式。
- 仅支持单个 CT 序列；多序列输入会在预检阶段拒绝。
- 不支持每个文件 NumberOfFrames 大于 1 的多帧 DICOM。
- 不支持 JPEG、JPEG2000 或 RLE 压缩传输语法。
- 不会自动重定向体数据，且不适用于临床部署、自治诊断、监管提交或生产推理。
- 给定材料未列出具体 Python 依赖版本或独立测试套件。
如何安装这个 Skill？
使用仓库 README 支持的 skills CLI 安装指定技能：
npx skills add nvidia/skills --skill dicom-series-to-volume --yes
CLI 会提示选择技能和安装目标；材料未说明该技能的独立安装包或固定目录。
如何使用这个 Skill？
从仓库根目录运行，并将输出放在调用方提供的运行目录中。先阅读 skill_manifest.yaml，再执行：
python scripts/series_to_volume.py PATH_TO_DICOM_DIR --output PATH_TO_OUT.nii.gz
也可使用受信任流程：
python -m eval_engine.run_trusted skills/dicom-series-to-volume --fixture PATH_TO_DICOM_DIR --out runs/dicom_series_to_volume_trusted
检查输出 JSON，并通过配套的 dicom_volume_quality_v1 校验器后再将结果视为证据。
这个 Skill 与同类方案有什么区别？
SKILL.md 将 dcm2niix 作为临床用途应采用的经过验证的转换器；因此，该技能更适合受限的单序列工程转换和证据检查，不应被视为临床转换器的替代品。