技能介绍

要解决什么问题

在科研或工程流水线里，你往往需要在腹部 CT 的 NIfTI 体积上得到可复现的分割掩码，并把「跑了什么模型、输入几何、输出了哪些标签、体素与体积统计」一并留作证据。手写调用 Hugging Face 上的 NVIDIA 管线容易在依赖版本、入口脚本和输出校验上漂移；本技能提供薄包装器，把推理、预处理和后处理固定委托给 bundle/ 内的官方 HuggingFacePipelineHelper，调用方只需按 manifest 约定传入 ct_volume，拿回 label_map 与 result_json。

技能如何工作

入口：从技能仓库根目录执行文档化的 scripts/run_vista3d.py，对 PATH_TO_CT.nii.gz 运行 VISTA3D；可选 --output-dir、--label-prompts（VISTA3D 类别 ID，不是随意解剖名）。
常见腹部结构 ID：肝脏 1、脾脏 3、右肾 5、左肾 14；例如同时分割上述四器官时，--label-prompts 应为 "1,3,5,14"，包装器会校验请求标签集与掩码中实际标签是否一致。
环境与副作用：在独立 Python 3.10 虚拟环境中安装固定上游 requirements（含 Torch 2.0.1、测试过的 transformers==4.46.3），避免污染调用方环境；模型包下载到 skills/nv-segment-ct/bundle/，并可能在本地缓存 Hugging Face 资源。
证据与门控：结果 JSON 记录掩码路径、观察到的标签、意外标签、每类体素数与物理体积、运行时与模型身份等；另有健全性断言（每个请求解剖至少一个前景体素）。可选 --ground-truth 仅记录参考标签路径；解剖合理性与 Dice/IoU 由 verifiers/ct_segmentation_quality_v1 等验证器负责，本技能不替代临床判读。

适用边界

仅面向 CT NIfTI 的工程分割与证据记录；CPU 可回退但 GPU/CUDA 为预期运行时。
禁止用于临床部署、临床解释、自主诊断或监管提交；输出可能在模式上有效但语义为空（例如标签与解剖不匹配），需结合门控与验证器信息排查。
不要修改 bundle/ 下代码，也不要用自写脚本替换文档化入口；参数与验证逻辑变更前应先阅读 skill_manifest.yaml。

截图预览

使用场景

算法实验里对腹部 CT 的 `.nii.gz` 指定 `--label-prompts 1,3,5,14`，批量得到肝/脾/双肾掩码并保存 `result_json` 作复现证据。
在医疗 AI 流水线中按 manifest 传入 `ct_volume`，由包装器输出 `label_map` 与门控 JSON，而不是自写 Hugging Face 推理脚本。
首次联调时用文档化固定装置拉取 MSD09 等数据，确认虚拟环境与 GPU 推理正常后再换自有 CT 体积。
已有参考标签图时附带 `--ground-truth`，让 `verifiers/ct_segmentation_quality_v1` 记录路径并做 Dice/IoU 与解剖合理性校验。

适合人员

维护腹部 CT 分割基准的医学影像算法工程师，需要锁定 NVIDIA 提交与可审计的掩码、体素统计输出。
编写科研预处理流水线的研究生或研究助理，要从 NIfTI 导出多器官标签图供 radiomics 或下游训练使用（非临床判读）。
负责 Medical AI Skills 集成的平台工程师，须通过 `scripts/run_vista3d.py` 调用且不改 `bundle/` 内上游代码。
做分割质量回归的 ML 工程师，在工程证据包中保留失败运行的 JSON 与验证器消息以定位标签集或输入几何问题。