NV-Segment-CT 医学影像分割技能
在 CT NIfTI 体数据上运行 VISTA3D 分割，并生成可核验的标签图证据。
文档明确声明仅处理本地CT NIfTI、隔离Python环境、网络端点、缓存写入、非临床用途及禁止加载不可信检查点，且没有发现恶意行为或凭据窃取；但运行会创建环境、下载约832MB模型和约1.5GB数据，并写入用户目录，未要求执行前确认、未提供回滚/清理方案，依赖下载也缺少校验说明，因此扣7分。
入口、参数、固定标签映射、输出结构、异常提示、校验门和两个针对掩膜摘要的测试均有明确说明；但完整模型路径、端到端推理、网络失败、输入异常和CPU/GPU行为没有在本材料中实际复现，且标签解析等边界错误处理较薄，因此按静态上限给9分。
目标用户、CT NIfTI输入、标签图和JSON输出、非CT及临床诊断边界均清晰；但仅覆盖开发/研究场景，没有中文交互或本地化说明，核心初始化依赖Hugging Face、GitHub Raw和海外S3端点，面向中国大陆网络的可达性未被解决，因此扣4分。
SKILL.md结构清楚，含前置条件、精确命令、限制、故障排查、依赖版本、版本号0.2.1、Apache-2.0许可、上游提交固定引用、维护归属和评估报告；但缺少推荐的Examples章节，缺少明确变更日志、更新责任/路径和更完整的安装后验证说明，因此扣4分。
技能直接提供VISTA3D CT分割入口、固定解剖标签映射、NIfTI标签图及结构化几何/体积/运行证据，并有文件中的评估报告显示正向任务可用；但完整结果依赖大型外部模型和运行环境，静态审查无法确认关键路径输出，且结果仍需下游质量验证和人工审阅，因此按静态校准给7分。
固定上游仓库和提交、manifest、输出schema引用、评估报告以及两个单元测试提供了可审计证据；但报告覆盖仅2个任务、测试未覆盖完整推理，未提供可核验CI或独立复现结果，因此按静态上限给4分。
- 执行前应明确取得用户对模型、依赖和数据下载以及用户目录写入的确认，并提供清理/回滚步骤。
- 不要将输出用于临床解释、诊断或监管提交；必须检查验证器结果并进行人工或专业复核。
- 首次运行依赖Hugging Face、GitHub Raw和海外S3下载，需预先验证中国大陆网络可达性或配置经批准的镜像/离线缓存。
- 应为模型、依赖和数据包增加完整性校验，并补充端到端CI、异常输入测试和更新日志。
这个 Skill 能做什么，适合哪些场景？
NV-Segment-CT 是 NVIDIA 提供的 CT 医学影像分割技能，使用 VISTA3D 处理 CT NIfTI 体数据。它通过固定包装脚本调用上游 NVIDIA 模型辅助程序，并输出标签图与 JSON 证据。常见腹部解剖结构包括肝脏、脾脏、右肾和左肾。该技能面向工程验证和证据记录，不用于临床解释、诊断或生产部署。
读取 CT NIfTI 文件，创建独立的 Python 3.10 虚拟环境，安装固定版本依赖，下载 NVIDIA 的 NV-Segment-CT 模型包，并运行 scripts/run_vista3d.py。输入字段为 ct_volume，输出包括 label_map 和 result_json。证据 JSON 记录输入几何信息、输出路径、标签 ID、意外标签、各类别体素数量、物理体积、运行时间、模型身份及形状、仿射矩阵、标签集合、前景数量和类别体积范围等检查结果。可选地记录 ground-truth 路径，但 Dice 由配套验证器计算。
- 医学影像工程师需要对 CT NIfTI 体数据生成肝脏、脾脏或肾脏标签图时。
- 研究人员需要在固定模型和依赖版本下复现实验性腹部 CT 分割流程时。
- 评估人员需要保存包含几何、标签和体积检查结果的分割证据包时。
- 开发团队需要用已知脾脏 fixture 验证包装器输出和验证门时。
这个 Skill 有哪些优点和局限？
- 使用固定的 NVIDIA 上游提交和模型修订，便于复现。
- 为标签集合、前景数量、几何匹配和类别体积提供工程检查。
- 支持 GPU 自动检测，也支持 CPU 回退。
- 输出包含标签图和结构化证据 JSON。
- 需要 Python 3.10、依赖安装、模型下载和本地文件写入。
- 需要联网访问 Hugging Face 和 raw.githubusercontent.com 完成首次设置。
- GPU 不可用时 CPU 回退速度较慢。
- 输出可能在架构上有效但语义为空；该技能不适合临床解释、生产部署或非 CT 模态。
- 提供的材料未说明完整测试套件或跨平台验证矩阵。
如何安装这个 Skill？
从 NVIDIA/skills 仓库安装该技能：npx skills add nvidia/skills --skill nv-segment-ct --yes。运行前需在仓库根目录准备 Python 3.10 venv 支持。按文档创建环境并安装依赖：export NV_SEGMENT_CT_VENV="${NV_SEGMENT_CT_VENV:-$HOME/.cache/nvidia-skills/venvs/nv-segment-ct-f9f5f51}"；python3.10 -m venv "$NV_SEGMENT_CT_VENV"；"$NV_SEGMENT_CT_VENV/bin/python" -m pip install -r "https://raw.githubusercontent.com/NVIDIA-Medtech/NV-Segment-CTMR/f9f5f51b589e5dc9c23c453cf5138398e4084056/NV-Segment-CT/requirements.txt" "transformers==4.46.3" "typer>=0.9"。随后下载模型包："$NV_SEGMENT_CT_VENV/bin/hf" download nvidia/NV-Segment-CT --revision afb51518689f71e6abb367ee6301b2cd0225c66a --local-dir skills/nv-segment-ct/bundle/。模型包约 832 MB；可选脾脏 fixture 的下载命令为 python skills/nv-segment-ct/fixtures/fetch_spleen_fixture.py。
如何使用这个 Skill？
从技能仓库根目录运行："$NV_SEGMENT_CT_VENV/bin/python" skills/nv-segment-ct/scripts/run_vista3d.py PATH_TO_CT.nii.gz --label-prompts "1,3,5,14" --output-dir OUT_DIR。肝脏使用 1，脾脏使用 3，右肾使用 5，左肾使用 14。运行后检查包装器 JSON 及配套验证器指导，再将结果视为证据。不要改写上游入口，也不要使用文档未提供的 infer.py、Medical AI Skills run、python -m nv_segment_ct 或仅使用解剖名称的参数。
这个 Skill 与同类方案有什么区别？
该技能是对上游 nvidia/NV-Segment-CT helper 的薄封装，推理、预处理和后处理由 bundle/中的官方 HuggingFacePipelineHelper 完成；它不是手写的 VISTA3D 推理实现。