为提高海马体多图谱分割的精度和时间效率，提出基于高等标准化工具(Advanced Normalization Tools，ANTs)配准的多图谱分割算法。为降低数据规模，在预处理阶段，提取以海马体为中心的立方体box。在配准阶段，提出用ANTs代替重采样环节，再利用微分同胚Demons算法的平滑性、拓扑保持性以及连续性进行精配准。在标签融合阶段，采用加权平均(Majority Voting, MV)算法、基于生成模型约束的GraphCut标签融合(Generative Model, GM)算法、度量学习(Metric Learning, ML)算法以及半监督标签传播随机森林(Integrating Semi-Supervised Label Propagation and Random Forests, RF-SSLP)算法做对比。实验结果表明，用ANTs代替重采样后，可分别提高MV、GM、ML以及RF-SSLP四种融合算法的精度，同时，通过以上4种融合算法的对比发现，基于ANTs配准的半监督标签传播随机森林算法分割精度最高，相较于MV、GM和ML三种融合算法精度提高了3%~5%。

为有效提高海马体多图谱分割算法的精度, 将U-Net卷积神经网络用于海马体MR多图谱分割的标签融合。算法在图谱选择阶段, 计算互信息、梯度相似性选择图谱, 避免周围组织结构对图谱选择的干扰, 选择与目标图谱更贴合的浮动图像组。在预处理阶段, 提取以海马体为中心的感兴趣区域有效降低数据规模。在配准过程中, 利用重采样代替粗配准环节, 减少了“粗”配准环节所需时间, 再采用具有良好的平滑性、连续性和拓扑保持性的微分同胚Demons精配准算法。在标签融合阶段, 提出基于深度学习理论改进的U-Net多图谱MRI海马体分割算法。实验结果表明, 改进的算法分割精度较于传统算法平均提高了5%, 算法时间缩短了50%左右。改进后的基于U-Net的多图谱海马体分割算法对目标图像海马体的分割具有高精度、高效率的特点。

阿尔茨海默病(AD)是一种神经退行性疾病。随着脑医学影像的发展，对AD诊断的精确度也在进一步提高，但对AD的诊断，客观上仍缺少好的生物标记。为寻找到AD的更稳定的生物标记，利用海马的影像组学特征对海马的信号强度、形状、灰度阶梯分布等特征进行刻画，通过方差分析(ANOVA)和事后检验，在统计学上寻找出正常对照(NC)、AD、轻度认知损害(MCI)之间存在差异的特征；通过与被试的简易智能状况检查(MMSE)评分进行相关性分析，找寻与MMSE评分相关性较高的特征；利用支持向量机(SVM)构建一个对AD和NC分类的模型，交叉验证得到的正确率为86%。结果表明，海马的影像组学特征是一个很好的生物标记，能对AD进行有效的早期识别。

为了考察辐照剂量对名贵中药成分的影响, 本研究用红外光谱法对经剂量为0、1.5、3、4.5、6、9、12、15、18、19.5和21 kGy辐照的三斑海马粉进行了研究。蛋白质是三斑海马粉的主要成分, 其含量高达70%以上。结果表明, 经1.5、3、4.5和6 kGy剂量辐照, 样品的红外光谱中代表蛋白质与脂类吸收带的峰形与峰位几乎没有变化, 而高于9 kGy的剂量辐照后, 样品的红外光谱代表蛋白质与脂类吸收带的峰形与峰位变化较大。由此可说明, 辐照剂量不超过9 kGy, 辐照对样品的蛋白质二级结构影响较小；剂量高于9 kGy辐照后, 辐照对样品的蛋白质二级结构影响较大。此研究结果可为核辐照企业对三斑海马粉辐照剂量的设置提供参考。

雌激素在生殖系统、认知记忆系统、骨骼和神经的发育及其功能维持等多种生理功能中扮演了重要的作用。雌激素可以通过结合到核雌激素受体Erα 、Erβ来完成其生理功能。最近通过ER敲除鼠和选择性的抑制剂研究表明 Erα在海马中具有重要作用。 Erα在海马中的表达是否具有年龄和性别差异的研究较少, 该文研究了 Erα在不同年龄、不同性别的小鼠海马中的表达, 并进一步比较了 Erα在卵巢去除小鼠和对照小鼠中的表达差异。研究结果揭示了Erα在海马中的表达具有年龄和性别差异, 暗示了 Erα的表达受到外周雌激素水平的调控。这些结果为进一步研究雌激素和 Erα在海马组织中基因表达的调控过程以及相关疾病的临床治疗提供参考。