用途：该技能面向小规模三维T1加权脑部MRI局部裁剪图像中的海马体分割任务，将海马体划分为前部与后部，对应医学分割十项挑战赛（Medical Segmentation Decathlon）Task04。
输入与输出：输入为围绕单个海马体的三维T1加权MRI裁剪体积（约1毫米体素，形状大致为31-43×40-59×24-47）以及标注体积（0为背景、1为前部、2为后部）。交付物为列表，每张图像对应一个uint8标签体积，形状与图像完全一致，取值在{0,1,2}中。
质量评估：按病例和标签计算Dice系数，即2|P∩G|/(|P|+|G|)（两者均为空时记为1），在标签1和2上平均，再在病例上平均，越高越好。本地可使用scilib.hippo.dsc、case_dsc、mean_dsc。
主要能力：技能库可通过scienceclaw_tools(operation=show|status)查看。scilib.hippo（CPU）提供fit_predict(train_images, train_labels, eval_images, train_ids=...)，涵盖位置图谱、基于块的多图谱标签融合、LightGBM体素分类器（HippocampusSegmenter）与后处理；还包括LocationAtlas、normalize_intensity、subject_groups、按受试者分组的交叉验证。scilib.hippo_unet.fit_predict为从头训练的3D U-Net集成（需GPU或远程工作节点，可用hippo_unet.available()检查）。相关算子包括hippocampus_segmentation_atlas_fusion_lgbm、multi_atlas_label_fusion_patch、location_prior_atlas_from_masks、hippocampus_segmentation_unet3d、segmentation_dice_two_labels。无需预训练权重。
使用方式与路线：基线为仅位置图谱（在归一化网格上统计标注掩码的类别频率），由于裁剪已居中，基线本身已较强；更优方案为标签融合、hippo.fit_predict，或在有GPU时使用U-Net集成；通过按受试者分组的交叉验证进行比较。
适用场景与限制：适用于上述Task04风格的裁剪体积海马体前后部分割研究。需遵守规则：体积2k-1与2k为同一扫描的左右裁剪（受试者=(id+1)//2），应放入同一折并传入train_ids，使融合跳过同受试者图谱；不同体积的强度编码不同（浮点约1e3、uint8、浮点约1e5），需按体积归一化（normalize_intensity，"robust"或"rank"）；保持形状和数据类型完全一致，绝不读取留出集标签。hippo_innereeye.predict_binary（资产innereye_hippocampus，ADNI全头扫描）只给出左右并集，无法给出前后分类，不得虚构类别映射；资产mass_base无封装且在这些裁剪上迁移效果不如位置图谱。关于收费、价格与平台支持等细节，暂未提供。