Dans cet article, nous proposons un cadre de segmentation grossière à fine basé sur l'incertitude, reconnaissant qu'une segmentation tumorale fiable en TDM thoracique souffre d'ambiguïté des limites, d'un déséquilibre de classe et de variations anatomiques. Ce cadre combine la localisation tumorale en volume complet avec une segmentation fine des régions d'intérêt (ROI), et est amélioré par un post-traitement anatomique. Un modèle de première étape génère des prédictions grossières et effectue un filtrage anatomique basé sur le chevauchement pulmonaire, la proximité de la surface pulmonaire et la taille des composants. Les ROI résultantes sont segmentées par un modèle de deuxième étape entraîné avec une fonction de perte sensible à l'incertitude afin d'améliorer la précision et la correction des limites dans la région ambiguë. Les résultats expérimentaux sur des ensembles de données privés et publics démontrent une amélioration des scores de Dice et de Hausdorff, une réduction des faux positifs et une meilleure interprétabilité spatiale. Ces résultats soulignent l'importance de combiner la modélisation de l'incertitude et les priors anatomiques dans un pipeline de segmentation en cascade pour générer des contours tumoraux robustes et cliniquement significatifs. Sur l'ensemble de données d'Orlando, le cadre proposé améliore le score Dice de Swin UNETR de 0,4690 à 0,6447, et la réduction des composants erronés est fortement corrélée à l'amélioration des performances de segmentation, démontrant la valeur du post-traitement anatomiquement informé.
