La segmentación de órganos a partir de imágenes de TC es crucial en el diagnóstico temprano de enfermedades, seguimiento del progreso, planificación preoperatoria, planificación de radioterapia y estimación de dosis de TC. Sin embargo, la limitación de datos sigue siendo uno de los principales desafíos en las tareas de segmentación de imágenes médicas. Este desafío es particularmente enorme en la segmentación de TC pediátrico debido a la sensibilidad aumentada de los niños a la radiación. Para abordar este problema, proponemos un nuevo marco de segmentación con una red generativa adversarial con clasificador auxiliar incorporado (ACGAN) que condiciona la edad, generando simultáneamente características adicionales durante el entrenamiento. La red de segmentación de generación de características condicionales propuesta (CFG-SegNet) se entrenó con una única función de pérdida y se utilizaron lotes de segmentación 2.5D. Nuestro experimento se realizó en un conjunto de datos con 359 sujetos (180 hombres y 179 mujeres) de 5 días a 16 años y una edad media de 7 años. CFG-SegNet logró una precisión media de segmentación de 0,681 en el coeficiente de similitud de DICE (DSC) en la próstata, 0,619 DSC en el útero, 0,912 DSC en el hígado y 0,832 DSC en el corazón con validación cruzada de cuatro pliegues. Comparamos la precisión de segmentación de nuestro método propuesto con resultados previamente publicados de U-Net, y nuestra red mejoró la precisión de segmentación en , , , y para la próstata, útero, hígado y corazón, respectivamente. Los resultados indican que nuestro marco de segmentación de alto rendimiento puede segmentar órganos de manera más precisa cuando hay imágenes de entrenamiento limitadas disponibles.