这个 Skill 能做什么，适合哪些场景？
该技能面向Isaac for Healthcare导管导航工作流，从CT NIfTI数据生成衰减缓存，并将动脉树分割为血管掩膜和中心线。它要求输入包含ct.nii.gz及segmentations/的受试者目录，也支持下载文档中的TotalSegmentator小型公开数据集。输出缓存包含mu_volume.npy和metadata.json，以及分割后的血管工件。生成的缓存可继续供viewport或DRR工作流使用。
定位或下载CT数据，解析工作流路径，创建运行目录和日志目录；调用i4h工作流的preprocess_ct命令，将ct.nii.gz处理到指定缓存目录并保存HU；调用segment_vessels命令，使用匹配的TotalSegmentator分割目录生成血管掩膜和中心线；最后检查mu_volume.npy与metadata.json是否存在。
- 医疗影像或Isaac for Healthcare开发者准备患者特异性的导管导航输入时，使用它从CTA生成CT缓存和血管结构。
- 拥有TotalSegmentator小型数据集受试者目录的研究人员，需要快速建立可复现的血管数字孪生时，使用它。
- 需要为viewport运行准备血管掩膜与中心线的用户，可先执行该技能生成共享缓存。
- 需要为DRR渲染准备衰减体积和血管分割结果的用户，可将该技能作为前置步骤。
如何安装这个 Skill？
- 执行前应要求用户确认下载、网络访问、写入CACHE和处理患者CT数据；不要把真实患者数据放入仓库或日志。
- Dropbox归档未提供校验和，外部工作流仓库也未锁定提交版本；应在生产环境固定并验证依赖。
- 最终仅检查mu_volume.npy和metadata.json，不足以证明血管mask和centerline正确；需人工或独立质量控制。
- 医疗影像分割结果不应直接用于临床决策。
- Shell / 命令行
- 网络访问
- 本地文件系统
Gitcurlunzipi4h-workflows32 GB RAM recommended for large volumes
使用仓库README提供的技能安装命令：
npx skills add nvidia/skills --skill i4h-catheter-navigation-digital-twin --yes
该技能还要求先完成i4h-catheter-navigation-setup，并具备i4h-workflows工作流；SKILL.md说明缺失时可从https://github.com/isaac-for-healthcare/i4h-workflows克隆。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/NVIDIA/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/i4h-catheter-navigation-digital-twin" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 预处理这份CT并分割血管，准备ct_cache用于viewport。
向已加载该技能的代理请求：“预处理这份CT并分割血管，准备ct_cache用于viewport。”准备包含ct.nii.gz和segmentations/的受试者目录后，设置SUBJ和CACHE，例如：
SUBJ=/path/to/subject CACHE=/tmp/ct_cache
随后按顺序运行preprocess_ct和segment_vessels，并检查${CACHE}/mu_volume.npy与${CACHE}/metadata.json。完成后可继续使用i4h-catheter-navigation-viewport或i4h-catheter-navigation-render-drr。
这个 Skill 有哪些优点和局限？
- 覆盖从CT预处理到血管掩膜和中心线生成的完整前置流程。
- 提供可复制的shell命令、运行目录、日志和结果校验步骤。
- 支持已有CT数据，也提供TotalSegmentator小型公开数据集下载路径。
- 输出缓存可被viewport和DRR相关工作流复用。
- 不包含CT数据，用户必须自行提供或下载数据并遵守数据集许可。
- 依赖已完成设置的i4h-workflows环境及匹配的分割目录。
- 大体积数据建议至少32 GB内存，分割可能需要数分钟。
- 源材料未提供平台测试结果或独立测试套件信息。
- Zenodo镜像被描述为受限速，文档更推荐Dropbox下载地址。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 导管导航血管数字孪生 本页 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NV-Segment-CT 医学影像分割技能 ✓ NVIDIA · 官方 | 60 · 推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| NV-Segment-CT 微调 ✓ NVIDIA · 官方 | 58 · 推荐 | ★ 3.8k | 今天 | Apache-2.0 |
| NV-Segment-CTMR 医学影像分割 ✓ NVIDIA · 官方 | 53 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| NV-Generate-CT 合成 CT 生成 ✓ NVIDIA · 官方 | 56 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能明确要求检查输入路径、记录日志并避免提交患者数据，且默认输出到运行目录或/tmp；但会无确认地执行git clone、Dropbox下载、解压、创建符号链接和写入缓存，未提供校验和、权限隔离、敏感医疗数据处理、回滚或失败清理机制，因此扣14分。
步骤顺序、输入检查、日志记录、产物验证和故障排查较清晰；但依赖外部仓库、未锁定版本，假设变量跨独立bash调用持久化，验证未明确检查血管mask和centerline，且基准仅有单次任务尝试，因此扣12分。
触发条件、输入布局、缓存输出和非适用的合成渲染场景较明确；本地CT可绕过下载，降低网络依赖，但未说明中文交互、地区网络可达性、输入变体和临床使用边界，因此扣5分。
有名称、版本、Apache-2.0许可、所有者、前置条件、限制、故障排查和下一步说明；但评估报告指出version位于错误的frontmatter层级，并缺少Instructions和Examples，维护责任、变更记录和更新路径也不充分，因此扣6分。
流程能够覆盖CT预处理、血管分割和缓存准备，评估文件报告了正确性和技能触发结果；但静态审查无法确认真实产物质量，效果评估样本少且仍需人工确认医学分割结果，因此扣9分。
提供了固定修订中的技能文件、评估任务、行为标准和一次外部环境基准结果；但没有原始日志、可复现实验产物、独立复核或覆盖关键路径的仓库CI测试，因此扣6分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →