Descripción
MONAI (Medical Open Network for AI) es un conjunto de herramientas de IA para imágenes médicas. En versiones anteriores a la 1.6.1, PydicomReader._get_affine() confía en valores no finitos de los campos DICOM PixelSpacing, ImagePositionPatient e ImageOrientationPatient y los compone en una matriz afín sin validación. Un atacante no autenticado que pueda cargar un DICOM especialmente manipulado en una implementación predeterminada de MONAILabel puede propagar valores NaN o infinito a través de LoadImaged, Spacingd, la inferencia del modelo y la escritura de resultados, provocando fallas de inferencia, contaminación persistente del almacén de datos o resultados geométricamente corruptos. El problema está corregido en la versión 1.6.1.
Qué hacer
Revisa si usas el producto afectado y en qué versión, y aplica la actualización o la mitigación que indique el aviso del fabricante. CISA no ha confirmado que se esté explotando; si eso cambia, esta ficha pasa a «explotada» y te avisamos en el boletín.
Versiones afectadas
- MONAI Afectadas: < 1.6.1
Según el registro de la vulnerabilidad en CVE.org, tal como lo publicó el fabricante. Confirma tu versión exacta en el aviso del fabricante.
Referencias
- Referencia en github.comgithub.com/Project-MONAI/MONAI/security/advisories/GHSA-6hp3-vr39-rqw8
- Referencia en github.comgithub.com/Project-MONAI/MONAI/pull/9087
- Referencia en github.comgithub.com/Project-MONAI/MONAI/commit/434c094a3e6b84cca5b6e81da51e0d1…
- Referencia en github.comgithub.com/Project-MONAI/MONAI/releases/tag/1.6.1
Ver el texto original en inglés (CVE.org)
MONAI: MONAILabel Server Crash and Silent Inference Corruption via Crafted DICOM (pydicom DS/IS Validation Bypass)
MONAI (Medical Open Network for AI) is an AI toolkit for health care imaging. Prior to 1.6.1, PydicomReader._get_affine() trusts non-finite values in the DICOM PixelSpacing, ImagePositionPatient, and ImageOrientationPatient fields and composes them into an affine matrix without validation. An unauthenticated attacker who can upload a crafted DICOM to a default MONAILabel deployment can propagate NaN or infinity values through LoadImaged, Spacingd, model inference, and output writing, causing inference failures, persistent datastore poisoning, or geometrically corrupted results. This issue is fixed in version 1.6.1.