En este artículo, proponemos un marco de segmentación de grueso a fino basado en la incertidumbre, reconociendo que la segmentación tumoral fiable en la TC de tórax presenta ambigüedad de límites, desequilibrio de clases y variación anatómica. El marco combina la localización tumoral de volumen completo con la segmentación fina de las regiones de interés (ROI), y se ve reforzada por un posprocesamiento con conocimiento anatómico. Un modelo de primera etapa genera predicciones gruesas y realiza un filtrado basado en la anatomía, basado en la superposición pulmonar, la proximidad a la superficie pulmonar y el tamaño del componente. Las ROI resultantes se segmentan mediante un modelo de segunda etapa, entrenado con una función de pérdida con conocimiento de la incertidumbre, para mejorar la precisión y la corrección de límites en la región ambigua. Los resultados experimentales en conjuntos de datos privados y públicos demuestran puntuaciones mejoradas de Dice y Hausdorff, una reducción de falsos positivos y una mejor interpretabilidad espacial. Estos resultados resaltan la importancia de combinar el modelado de incertidumbre y los antecedentes anatómicos en un proceso de segmentación en cascada para generar contornos tumorales robustos y clínicamente significativos. En el conjunto de datos de Orlando, el marco propuesto mejora la puntuación Dice de Swin UNETR de 0,4690 a 0,6447, y la reducción de los componentes erróneos está fuertemente correlacionada con la mejora en el rendimiento de la segmentación, lo que demuestra el valor del posprocesamiento informado anatómicamente.
