Сегментація медичних зображень відіграє вирішальну роль у різних клінічних застосуваннях, включаючи діагностику, планування лікування та хірургічне втручання. Однак, властива мінливість медичних зображень у поєднанні з обмеженими анотованими даними часто призводить до того, що моделі глибокого навчання не мають надійності та погано узагальнюються на невидимі дані. У цій статті представлена структура доповнення даних з урахуванням невизначеності, розроблена для підвищення надійності моделей сегментації медичних зображень. Наш підхід динамічно генерує розширені навчальні зразки, враховуючи невизначеність моделі в прогнозах сегментації. Зокрема, ми використовуємо Monte Carlo Dropout для оцінки попіксельної невизначеності та пріоритезації стратегій доповнення, які націлені на області високої невизначеності. Ця адаптивна схема доповнення заохочує модель вивчати більш надійні ознаки в складних або неоднозначних областях, тим самим покращуючи її можливості узагальнення. Обширні експерименти на кількох загальнодоступних еталонах сегментації медичних зображень демонструють, що наше доповнення даних з урахуванням невизначеності значно покращує надійність та продуктивність найсучасніших мереж сегментації, особливо в сценаріях з обмеженими навчальними даними.