1.一种基于条件扩散模型的医学图像分割方法，采用构建的分割网络模型对医学图像进行分割，其特征在于，所述分割网络模型包括Transformer编码器、条件网络解码器、扩散模型编码器、扩散模型中间层和扩散模型解码器，所述基于条件扩散模型的医学图像分割方法，包括：获取医学图像，进行预处理后输入到Transformer编码器，获得第一特征；

将第一特征输入到条件网络解码器，得到第二特征；

获取加噪掩码图像，将加噪掩码图像与第二特征进行特征拼接，输入到扩散模型编码器，得到第三特征；

将第三特征与第一特征输入到扩散模型中间层，得到第四特征；所述扩散模型中间层，包含第一残差块、堆叠的三个双重交叉注意力模块、自注意力模块和第二残差块；所述第三特征先通过第一残差块，然后分别输入到三个双重交叉注意力模块；第一特征输入到第一个双重交叉注意力模块；前一个双重交叉注意力模块的输出，输入到后一个双重交叉注意力模块；第三个双重交叉注意力模块的输出再通过自注意力模块和第二残差块，最后得到第四特征；

将第四特征输入到扩散模型解码器，得到最终的分割结果。

2.根据权利要求1所述的基于条件扩散模型的医学图像分割方法，其特征在于，所述预处理，包括：将医学图像进行格式转换，然后定位感兴趣区域，调整窗宽窗位提亮所述感兴趣区域，最后将医学图像裁剪为预定大小。

3.根据权利要求1所述的基于条件扩散模型的医学图像分割方法，其特征在于，所述条件网络解码器由三个块构成，前两个块均包含双线性插值上采样和双重卷积，最后一个块包括卷积块和双线性插值上采样。

4.根据权利要求1所述的基于条件扩散模型的医学图像分割方法，其特征在于，在训练所述分割网络模型时，所述获取加噪掩码图像，采用如下公式获取：；

其中 是一个超参数， 表示t时刻的加噪掩码图像， 则表示t时刻的噪声， 表示训练图像所对应的真实掩码图像；

在训练好分割网络模型后，采用训练好的分割网络模型对医学图像进行分割时，加噪掩码图像直接采用的是纯高斯噪声图像。

5.根据权利要求1所述的基于条件扩散模型的医学图像分割方法，其特征在于，所述扩散模型编码器包括四个编码层，每个编码层都有两个残差块和一个线性注意力层，前三个编码层还包含下采样，最后一个编码层则还包含1×1卷积层；

所述扩散模型解码器包括四个解码层，每个解码层都有两个残差块和一个线性注意力层，前三个解码层还包含上采样，最后一个解码层则还包含1×1卷积层。

6.根据权利要求1所述的基于条件扩散模型的医学图像分割方法，其特征在于，所述双重交叉注意力模块包括两个交叉注意力，在第一个双重交叉注意力模块的第一个交叉注意力中，所述第一特征映射为k和v向量，所述第一残差块的输出映射为q向量；在第一个双重交叉注意力模块的第二个交叉注意力中，第一个交叉注意力的输出映射为q向量，所述第一残差块的输出映射为k和v向量；

在第二个和第三个双重交叉注意力模块的第一个交叉注意力中，前一个双重交叉注意力模块的输出映射为k和v向量，所述第一残差块的输出映射为q向量；在第二个和第三个双重交叉注意力模块的第二个交叉注意力中，第一个交叉注意力的输出映射为q向量，所述第一残差块的输出映射为k和v向量。

7.根据权利要求5或6所述的基于条件扩散模型的医学图像分割方法，其特征在于，所述残差块包括两个块，每个块由3×3卷积、组归一化和SiLU激活函数组成，第一个块再SiLU之前还增加了时间步编码信息对输入特征进行尺度放缩和移位。