1.一种基于条件生成对抗网络的MR图像分割方法，其特征在于，包括以下步骤：通过低级MR图像y和分割掩膜x训练cGAN网络，得到训练好的cGAN模型；

根据输入的分割掩膜x，使用训练好的cGAN模型自动生成人工图像y’；

利用人工图像y’和分割掩膜x预训练U-net网络；

通过低级MR图像y和分割掩膜x继续训练U-net网络，得到训练好的U-net模型；

利用训练好的U-net模型进行MR图像分割。

2.根据权利要求1所述基于条件生成对抗网络的MR图像分割方法，其特征在于：cGAN网络由生成器和判别器两部分组成，生成器采用U-net架构，判别器采用CNN架构。

3.根据权利要求2所述基于条件生成对抗网络的MR图像分割方法，其特征在于：所述的U-net架构由编码器和解码器组成，在编码器和解码器堆栈中的镜像层之间设置跳跃连接；

所述的跳跃连接用于在输入和输出之间直接通过网络传输低级的图像信息。

4.根据权利要求2所述基于条件生成对抗网络的MR图像分割方法，其特征在于：所述的cGAN网络的损失函数为：

LcGAN(G,D)＝Ex,y[logD(x,y)]+Ex,z[log(1-D(x,G(x,z)))]式中，x为分割掩膜，y为低级MR图像，z为随机噪声，D(x,y)表示输入的图像来自于真实图像的概率，D(x,G(x,z))表示输入图像来自生成图像的概率；

G(x,z)为分割掩膜x对应的人工生成图像。

5.根据权利要求4所述基于条件生成对抗网络的MR图像分割方法，其特征在于：所述的随机噪声z为Dropout的形式，应用于生成器的d1-d4层；

生成器和判别器的损失函数通过将GAN的目标函数与L1距离函数相结合得到；

所述的L1距离计算式为LL1(G)＝Ex,y[||y-G(x,z)||1]；

生成器和判别器的损失函数计算式如下：

上式中，λ为超参数，设定为100；G为生成器，D为判别器。

6.根据权利要求1所述基于条件生成对抗网络的MR图像分割方法，其特征在于：设ytrue为手工分割掩膜，ypred为U-net网络的分割结果，U-net网络的Dice损失函数为：训练过程使用敏感性、特异性、总体准确性、Dice相似系数、雅尔卡指数和马修斯相关系数来评估分割性能；所有定量测量均在手工分割掩膜和预测分割结果之间按像素计算；

上述度量指标分别表示如下：

良好的分割效果具有较高的敏感性和特异性；利用Dice和Jaccard指标来衡量预测结果和金标准之间的相似性，这些指标代表了精度和灵敏度的调和平均值，最大值为1表示最优结果，0表示最差结果；MCC用来衡量分类质量，包括真阳性和假阳性以及真阴性和假阴性。

7.根据权利要求1所述基于条件生成对抗网络的MR图像分割方法，其特征在于：判别器中使用PatchGAN，图像分割的U-net模型采用改进的U-net架构，改进的U-net架构有以下特点：(1)在卷积过程中填充所有图层以保持图像大小不变，获得一个与输入图像大小相同的分割映射；(2)解码路径中的每一步都包含与编码路径对应的特征映射的拼接；(3)将最后一层的softmax函数替换为sigmoid函数来处理每个像素是黑色还是白色的二分类问题。

8.一种基于条件生成对抗网络的MR图像分割装置，其特征在于，包括生成系统和分割系统，生成系统通过低级MR图像y和分割掩膜x训练cGAN网络，得到训练好的cGAN模型，根据输入的分割掩膜x，使用训练好的cGAN模型自动生成人工图像y’；分割系统利用人工图像y’和分割掩膜x预训练U-net网络，通过低级MR图像y和分割掩膜x继续训练U-net网络，得到训练好的U-net模型，利用训练好的U-net模型进行MR图像分割。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述的处理器在执行所述计算机程序时实现如权利要求1至7中任一项所述基于条件生成对抗网络的MR图像分割方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于条件生成对抗网络的MR图像分割方法的步骤。