NV-Generate-CT 合成 CT 生成
通过 NVIDIA 的 rflow-ct 流程生成带配对掩码的合成 CT 体数据。
仅声明 Bash 工具，要求调用固定包装器、使用调用方输出目录、禁止删除输出，并披露写入路径、缓存位置及 Hugging Face/GitHub 网络访问；同时有合成数据、非临床用途和人工审查警示。因未明确通用用户确认流程、敏感数据处理、失败后回滚和依赖完整性验证，扣分。
文档定义了固定入口、确定性随机种子、预检、输出验证、错误表和失败证据保留；BENCHMARK 也报告了有限评测结果。因本次未执行，且仅有两项任务、无可复现的完整测试覆盖，按静态上限保守扣分。
目标是明确的合成 CT 体积与掩膜生成，列出了输入、输出、硬件前提、非适用场景、预检和高级模式边界。因未说明中文交互支持，且核心流程依赖 CUDA、约 5.5 GB 下载及 Hugging Face/GitHub，可能受中国大陆网络可达性影响，扣分。
SKILL.md 结构清晰，包含用途、指令、脚本表、前置条件、限制、故障排查、用法、夹具和版本固定的上游提交；许可证和作者元数据明确。因缺少推荐的 Examples 部分，版本/变更记录和该技能专属维护责任不够清楚，并依赖未提供的 manifest/references，扣分。
包装器直接生成配对 NIfTI、result_json、摘要卡和验证证据，夹具覆盖多种解剖区域，核心任务输出较直接。因需要 GPU、较大模型与数据下载，且基准只有两项任务并显示效果指标偏低，静态证据不足以证明广泛结果质量，扣分。
文档固定上游提交、说明记录上游提交和模型哈希，并提供预检、输出证据字段和有限 BENCHMARK。因没有本次可执行复现、完整测试套件或独立第三方结果材料，证据覆盖有限，扣分。
- 运行会下载约 5.5 GB 模型/数据并可能访问 Hugging Face/GitHub；应先确认网络、许可和缓存策略。
- 需要至少约 16 GB VRAM，较大输出可能需要 A100/H100；应先运行 --preflight-only。
- 输出仅为合成研究数据，不应用于临床、监管提交或未经独立质量审查的生产训练数据。
- 文档要求读取 skill_manifest.yaml 和 references，但本评估材料未包含这些文件，相关约束无法完全核验。
这个 Skill 能做什么，适合哪些场景？
该技能用于调用 NVIDIA-Medtech/NV-Generate-CTMR 的 rflow-ct 流程，生成合成 CT 体数据和掩码。它通过包装脚本处理配置暂存、输出目录、标签映射证据和验证，而不是重新实现推理、采样或解码。运行需要 CUDA 和至少 16 GB 显存，首次设置还需下载约 5.5 GB 的模型及掩码候选数据。输出仅适用于合成研究，未经独立质量审查不得用于生产医疗技术模型训练，也不适用于临床部署或解释。
读取 config_infer.json 覆盖配置，运行 scripts/run_rflow_ct.py，并将输出写入调用方提供的 --output-dir。它可调用上游 scripts.inference，生成配对的 CT 图像和掩码、result_json 以及可选的 summary.html。运行前会检查配置、解剖结构名称、输出尺寸与间距、数据集、CUDA、预计显存和运行时间；结果证据记录上游提交、模型检查点哈希、渲染配置、图像/掩码几何、标签集合、HU 范围和每类体素体积。
- 医疗影像研究人员需要生成胸部肺叶或可控肺部肿瘤的合成 CT 与标签配对。
- 医学 AI 工程师需要为腹部实质器官或可控肝脏肿瘤构造研究用合成样本。
- 评估人员需要在启动推理前验证配置并预览预计成本、显存和运行时间。
- 开发人员需要诊断原始 MAISI 掩码、从已有标签掩码生成 CT，或执行无配对标签的 CT 图像生成。
这个 Skill 有哪些优点和局限？
- 封装上游固定版本的 rflow-ct 推理入口，避免普通运行时编写自定义推理代码。
- 提供配置预检、标签映射证据、几何检查和可视化摘要卡。
- 支持可控解剖结构尺寸、配对 CT/掩码以及多个诊断辅助脚本。
- 需要 CUDA 和至少 16 GB NVIDIA GPU 显存，没有 CPU 回退。
- 较大输出尺寸可能需要 A100 或 H100，且运行可能下载约 5.5 GB 数据并访问 Hugging Face 或 GitHub。
- 合成输出未经独立质量审查不得用于生产训练，也不能用于临床部署、临床解释、自动诊断或监管提交。
- 提供的材料没有展示独立测试套件或跨平台实测结果。
如何安装这个 Skill？
使用仓库 README 支持的 CLI 安装单个技能：npx skills add nvidia/skills --skill nv-generate-ct-rflow --yes。运行时设置 NV_GENERATE_ROOT；若使用新环境，安装上游依赖：python -m pip install -r "$NV_GENERATE_ROOT/requirements.txt"。首次运行还需按技能文档克隆固定提交的 NV-Generate-CTMR，并下载 rflow-ct 权重和掩码候选数据。文档未说明各平台之外的额外安装方式。
如何使用这个 Skill？
准备一个 config_infer.json 覆盖文件，然后从 medical-AI-skills 仓库根目录运行：export NV_GENERATE_ROOT="${NV_GENERATE_ROOT:-$HOME/.cache/nvidia-skills/upstreams/NV-Generate-CTMR-61c4ec7}" && python -m pip install -r "$NV_GENERATE_ROOT/requirements.txt" && python skills/nv-generate-ct-rflow/scripts/run_rflow_ct.py PATH_TO_CONFIG_INFER.json --output-dir runs/nv_generate_ct_rflow_demo --random-seed 0 --version rflow-ct。将 PATH_TO_CONFIG_INFER.json 替换为实际路径；完成后检查 result_json、配对验证指导和 summary.html，再将结果视为证据。预计超过 5 分钟或 30 GB 峰值显存的运行需要 --yes。