1.一种肿瘤MRI弱监督学习分析建模方法，包括以下步骤：

S1：构建以全卷积神经网络为基础的肿瘤MRI分割网络，实现肿瘤MRI初步分割；

S2：将肿瘤MRI分割网络作为生成器，分类模型作为判别器，提出肿瘤MRI分割网络的生成对抗训练算法；

S3：将医学图像中的未标注图像数据作为生成器模型和判别器模型的额外输入条件信息，指导数据生成过程，增强分割-生成对抗网络稳定性。

2.根据权利要求1所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，步骤S1的具体步骤包括：S101：对MRI原始数据进行图像预处理；

S102：对肿瘤MRI分割网络的卷积层采用带步长卷积以提取肿瘤MRI特征，并允许空间下采样；

S103：采用基于反卷积的上采样操作，找到每个体素对应的类别，实现分割效果；。

3.根据权利要求1或2所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，所述肿瘤MRI分割网络由两个部分构成，即处理输入MRI图像的编码器部分及用于产生标签输出的解码器部分；输入的是3D肿瘤MRI体数据，输出每一个体素点属于正常组织与肿瘤的概率。

4.根据权利要求1所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，针对肿瘤MRI分割网络中，MRI肿瘤、不同正常组织的体素点不平衡性的问题，采用加权损失函数，定义如下：其中，pi表示体素点i预测概率值，gi表示体素点i真实类别。

5.根据权利要求1所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，在步骤S2中，通过肿瘤MRI分割网络的生成对抗训练算法生成的对抗模型中，分割-生成式对抗网络损失函数L由两部分组成，第一部分是用于训练分割模型的改进Dice损失函数，第二部分为均方误差损失函数：其中s表示分割模型的参数，d表示判别模型的参数，s(xn)是分割模型的输出概率图，Ld选用均方误差作为判别器的损失函数。

6.根据权利要求1所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，所述医学图像中的未标注图像数据包括多模态MRI数据、电子病历、医生专家的文本报告中的临床诊疗信息。

7.根据权利要求1所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，在步骤S3中，假设额外输入条件信息为y，通过肿瘤MRI分割网络的生成对抗训练算法生成的对抗模型中，分割-生成式对抗网络的目标函数表示为基于条件概率的极小极大值博弈，如下式：其中，G表示生成器模型，D是判别器模型，z表示随机噪声。

8.根据权利要求7所述的肿瘤MRI弱监督学习分析建模方法，其特征在于，所述判别器与生成器的更新次数为1:2。

9.基于权利要求1所述的肿瘤MRI弱监督学习分析建模方法建立的模型，其特征在于，主要包括：图像导入和显示模块，用于导入病人的三维体数据，显示参考图像与浮动图像的横断面、冠状面、矢状面图像；

预处理模块，用于对医学图像进行图像处理、增强图像质量；

感兴趣区域模块，用于采用基于掩模的方法以提取感兴趣区域；

分割模块，用于通过构建以全卷积神经网络为基础的肿瘤MRI分割网络，并将其作为生成器，分类模型作为判别器，在已标记训练数据有限情况下，利用医学图像中的非标注图像，实现肿瘤放射治疗靶区和危及器官智能化、自动化勾画；

数据输出模块，用于显示分割后靶区和危及器官。