脑部 MRI 合成生成
通过 NVIDIA 工作流生成合成脑部 MRI 体积。
技能明确披露会写入输出目录、缓存模型、安装依赖并访问 GitHub/Hugging Face，也限制为合成影像且禁止临床用途；脚本有成本确认门、输出验证和固定上游提交建议。扣分原因是允许 Bash、pip 安装和网络下载，缺少细粒度权限隔离、敏感数据处理说明、完整回滚方案；代码在未提供 --output-dir 时会写入上游目录，与文档的调用方目录要求不完全一致。
文档、包装脚本和固定命令在主要路径上基本一致，脚本包含参数校验、CUDA/显存预检、模型清单、超时、stderr 捕获和 NIfTI 输出检查。扣分原因是上游依赖、GPU 环境和模型下载未在目标技能内完整封装，错误场景覆盖有限；静态审查未执行，且可靠性受上游代码和环境漂移影响，因此不超过静态上限 10。
目标场景、输入配置、输出目录、模态集合和非适用范围写得较清楚，并明确支持 skull-stripped FLAIR 等模态。扣分原因是要求 NVIDIA GPU 至少约 16 GB 显存、依赖 Hugging Face/GitHub 下载，未说明中文交互支持；核心初始化可能依赖中国大陆网络较难稳定访问的海外服务，且触发边界和不适用输入的说明仍不完整。
技能具有 Purpose、Instructions、Prerequisites、Limitations、Troubleshooting、Usage 和参考文档，脚本与配置键命名较稳定，作者和 Apache-2.0 信息清晰，仓库还提供许可证、安全报告渠道及 benchmark 文档。扣分原因是缺少推荐的 Examples 章节，版本、变更记录、维护责任和更新路径没有在技能文档中明确；benchmark 还记录了若干目录结构规范告警，许可证元数据给定为 NOASSERTION。
包装器覆盖合成脑部 MRI 生成的核心流程，提供模态选择、随机种子、配置覆盖、成本预估和输出几何/有限性检查；benchmark 文件报告了两项正向任务和一定正确性、发现性提升。扣分原因是仅生成 image-only 合成体，不提供分割掩码，运行成本和 GPU 门槛高，且静态审查无法确认最终 NIfTI 输出可直接使用，因此按静态规则限制在 7 分以内。
源文件提供固定上游提交、命令形状、配置夹具、输出摘要字段和 benchmark 结果，具备一定审计线索。扣分原因是 benchmark 只有两项任务、无负向任务，未提供可独立复核的完整测试执行证据或多源交叉验证；本次未执行代码，因此不超过静态上限 5。
- 不要把生成的 MRI 用于临床解释、诊断、监管提交或未经独立质量审查的生产训练数据。
- 运行前确认输入配置、输出目录、模型权重、Python 依赖和 NVIDIA GPU；首次设置可能需要访问 GitHub 和 Hugging Face。
- 建议显式提供新的输出目录并保留 JSON、stderr 和验证结果；不要依赖默认输出位置。
这个 Skill 能做什么，适合哪些场景？
该技能通过 NVIDIA-Medtech/NV-Generate-CTMR 的 rflow-mr-brain 工作流生成合成脑部 MRI 体积。它使用仓库提供的 Python 包装器处理配置暂存、输出路径和验证，不重新实现扩散采样或自动编码器解码。运行需要 NVIDIA GPU，至少 16 GB 显存，且没有 CPU 回退。输出仅为图像体积，不包含配对分割掩膜，也不适用于生产训练数据、临床部署或诊断。
读取用户提供的模型配置覆盖文件，安装上游 requirements，调用 scripts/run_mr_brain.py，并通过上游 scripts.diff_model_infer 执行 rflow-mr-brain 推理。它可生成指定 MRI 模态的 NIfTI 体积，将结果写入调用者提供的 --output-dir，并输出 result_json，记录暂存配置、模型清单、上游命令、几何信息、间距、仿射矩阵、强度范围以及有限值和非恒定数据检查。它可能在 ~/.cache/huggingface/ 缓存模型资产，并访问 huggingface.co 或 github.com。
- 医学影像研究人员需要生成脑部 MRI 合成体积，用于原型验证或研究性数据探索。
- MONAI/NVIDIA 医疗 AI 用户需要按 mri_t1、mri_t2、mri_flair 或其他支持模态运行固定的生成工作流。
- 工程师需要通过包装器记录配置、模型版本、输出几何和验证结果，以便进行证据导向的实验检查。
- 需要可复现采样的用户可通过 --random-seed 固定随机种子，并将输出保存在独立运行目录中。
这个 Skill 有哪些优点和局限？
- 使用文档化包装器，不要求用户编写常规推理代码。
- 支持多种脑部 MRI 模态，包括 mri_t1、mri_t2、mri_flair、mri_swi 及颅骨剥离变体。
- 记录配置、模型、输出几何和数据有效性检查，便于实验审查。
- 可通过固定上游提交和随机种子提升运行可追溯性。
- 需要至少 16 GB 显存的 NVIDIA GPU，没有 CPU 回退。
- 生成的是图像 בלבד的合成体积，不提供配对分割掩膜。
- 输出不适合作为生产医疗模型训练数据，除非经过独立质量审查。
- 不适用于临床解释、临床部署、自主诊断或监管申报。
- 运行可能需要联网下载代码、依赖和模型，并产生缓存及输出目录副作用。
如何安装这个 Skill？
使用 NVIDIA skills CLI 安装指定技能：npx skills add nvidia/skills --skill nv-generate-mr-brain --yes。源材料未说明费用。运行前需要可用的 NVIDIA GPU、Python 依赖和上游模型权重；若没有现有 NV_GENERATE_ROOT，可按文档创建固定提交 61c4ec709b84cad468852243c48e250bec732074 的上游 checkout，并下载 rflow-mr-brain 权重。
如何使用这个 Skill？
在仓库根目录执行：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-mr-brain/scripts/run_mr_brain.py PATH_TO_MR_BRAIN_CONFIG.json --output-dir runs/nv_generate_mr_brain_demo --modality mri_t1 --random-seed 1234。将 PATH_TO_MR_BRAIN_CONFIG.json 替换为实际配置路径；不要删除或预先创建输出目录。运行后检查包装器输出的 JSON 及配套验证指引，再把结果视为证据。