1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | dicom-series-to-volume-nvidia-skills |
| 作者/维护者 | NVIDIA MedTech Team（NVIDIA Agent Skills 合集内子技能） |
| 来源链接 | https://github.com/nvidia/skills/tree/main/skills/dicom-series-to-volume |
| 许可证 | Apache-2.0（GitHub API 获取） |
| 所属合集 GitHub Stars / Forks | 2,879 / 335（GitHub API 获取；此数字属整个 nvidia/skills 合集仓库，不代表本技能自身热度） |
| 最新版本 | 0.1.0（skill_manifest.yaml 声明） |
| 安装方式 | npx skills CLI 一条命令安装（见第 10 章） |
2. 功能介绍与亮点
dicom-series-to-volume 是一个单文件、无 GPU 依赖的医学影像预处理工具：读取 CT DICOM 序列文件夹，排序切片、换算 HU 值、构建仿射矩阵，输出 .nii.gz 体数据及含切片数、方向编码、HU 范围的 JSON 证据摘要。
核心亮点：
- 零基础设施依赖：无需 GPU、无需 Docker、不联网，纯 CPU 本地运行。
- 自带质量证据：附官方
BENCHMARK.md，记录 Claude Code 与 Codex 上的实测结果，覆盖安全、正确、可发现、有效、效率五维，结论为 PASS。 - 内置正负样例与校验门：附带“故意翻转方向”负样例及配套校验器，证明方向校验门确实会触发失败。
- 边界诚实：明确不用于临床部署或生产级推理，建议生产场景改用
dcm2niix等成熟转换器。
3. 适用场景
所属分类：数据分析与可视化（医学影像数据的格式转换与结构化证据提取，属于 ETL/数据处理范畴）。
典型场景：医学影像 AI 工程师在训练/评估分割、检测等模型前，需要把原始 CT DICOM 序列转换为标准 NIfTI 格式并获得可核查的转换证据时，用该技能完成单序列转换与自检，作为进入推理流水线前的一步预处理。
4. 跨 Agent 兼容性
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | ✅ 原生支持 | 官方 BENCHMARK.md 明确以 claude-code 作为评测 agent 之一，实测通过 |
| Codex | ✅ 原生支持 | 官方 BENCHMARK.md 明确以 codex 作为评测 agent 之一，实测通过 |
| OpenClaw | ❓ 未验证 | nvidia/skills 官方安装文档列出的受支持 --agent 目标为 Claude Code / Codex / Snowflake Cortex / Cursor / Kiro，未提及 OpenClaw |
| Hermes Agent | ❓ 未验证 | 同上，官方安装目标未列出 Hermes Agent |
5. 推荐理由
这是一个把医学影像数据准备环节标准化、且经过官方跨 agent 实测验证的轻量工具。无 GPU/网络/凭据依赖使其几乎在任何环境都能直接跑通，配套的负样例与校验门让“转换是否可信”不必靠人工目测，官方公开的双 agent 评测报告也提供了比单纯读 README 更硬的质量证据。对需要把 DICOM 数据接入 AI/agent 工作流、又不想从零手写解析与仿射计算逻辑的用户，这是一个可直接复用的起点。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 发布方为 NVIDIA Corporation，公认的一线科技厂商；本技能是合集内子技能，所属仓库 2,879 星不得记给单个子技能，未检索到该子技能自身的独立第三方讨论或采用数据 |
| 可用性 | 8 | 依赖仅 pydicom/nibabel/numpy/typer 四个标准 pip 包，无需 GPU/Docker/联网；文档含清晰的命令示例、故障排查表与限制说明；最近一次改动为 2026-05-31，距今约两个半月；官方 BENCHMARK.md 显示正确性/有效性在 Claude Code 与 Codex 上分别达 98%/90% 与 98%/82% |
| 安全性 | 8 | 见下方安全检查清单 |
安全检查清单：
| 检查项 | 结果 |
|---|---|
| ① Shell 执行范围 | 仅执行本仓库内声明的单一脚本 scripts/series_to_volume.py，作用域明确；代码人工抽查未发现越权操作 |
| ② 联网外发 | skill_manifest.yaml 显式声明 network_endpoints: []，脚本代码中也未发现任何网络请求调用 |
| ③ 凭据/API Key | 不需要任何凭据（env_required: []） |
| ④ 可疑指令 | 未发现恶意或混淆代码；官方 NVSkills-Eval 自身标出一条中等级提示：脚本会打印部分 DICOM 元数据字段（如 StudyInstanceUID、StudyDate），在临床场景下这类字段可能涉及患者信息，属已知风险点而非恶意行为，且技能明确声明不用于临床用途 |
| ⑤ 作者信誉 | NVIDIA MedTech Team，隶属 NVIDIA 官方 Agent Skills 合集，无造假迹象 |
| ⑥ License | Apache-2.0，清晰明确 |
| ⑦ 最近维护 | 2026-05-31 有提交记录，未见弃置迹象 |
综合评分：7.67（三项均值）
7. 跟同类 Skills 相比的优势
| 对比对象 | 定位 | 与本技能的差异 |
|---|---|---|
| imaging-study-design-awslabs-hcls-agent-skills | 医学影像研究的实验设计辅助工具，帮助规划影像研究的样本量、终点指标等 | 服务于研究设计阶段，不处理具体的 DICOM 文件格式转换，与本技能功能互补而非重叠 |
| dcm2niix（通用行业转换器） | 业界广泛使用的独立 DICOM→NIfTI 命令行转换器，支持更全的模态与压缩格式 | 功能更全面但不是 agent skill 形态，需要用户自行判断如何接入 agent 工作流；本技能则是面向 agent 场景封装的轻量版本，附带结构化 JSON 证据输出和方向校验门，更适合嵌入自动化流水线做前置检查 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
9. 其他补充
nvidia/skills 采用“NVIDIA Verified Agent Skills”治理机制：每个技能目录附带签名文件与治理卡片，并通过内部评测流水线做发布前静态校验与跨 agent 行为评测，形成可审计的来源与风险扫描记录。
10. 安装使用方式
方式一：通过官方 skills CLI（推荐）
npx skills add nvidia/skills --skill dicom-series-to-volume --agent claude-codeCodex 用户可将 --agent claude-code 换成 --agent codex；省略 --agent 则由 CLI 交互式选择。
方式二：手动复制
从仓库子目录 skills/dicom-series-to-volume/ 复制 SKILL.md、scripts/、skill_manifest.yaml 到 agent 的 skills 目录。
使用：
pip install "pydicom>=2.4,<4" "nibabel>=4.0" "numpy>=1.23" "typer>=0.9"
python scripts/series_to_volume.py PATH_TO_DICOM_DIR --output PATH_TO_OUT.nii.gz安装后无需重启 agent 即可在下次相关请求中触发（Claude Code 用户可执行 /reload-skills 立即加载新安装的技能）。
11. 注意事项
- 仅支持单序列转换，多序列输入会被前置校验拒绝；不支持多帧 DICOM 与压缩传输语法（JPEG/JPEG2000/RLE）。
- 不做体素重定向，仿射矩阵直接来自 DICOM 头信息；下游若需标准 RAS+ 方向需自行重定向。
- 不适用于临床部署、自动诊断、监管申报或生产级推理；生产场景请使用
dcm2niix等成熟转换器。 - 输出的 JSON 摘要含部分 DICOM 元数据字段，若源数据未脱敏，使用前应留意数据合规要求。