Una preocupación importante con respecto a los conjuntos de algoritmos es que el uso de los ajustes de parámetros óptimos individualmente de los miembros no necesariamente maximiza el rendimiento del conjunto en sí. En este documento, proponemos un método de evaluación novedoso para el recocido simulado que combina el muestreo de conjuntos de datos y la reducción de imágenes para acelerar la optimización de parámetros de conjuntos de segmentación de imágenes médicas. Los niveles de escala y los tamaños de muestra necesarios para mantener la convergencia de la búsqueda son determinados teóricamente adaptando resultados previos para el recocido simulado con mediciones de energía imprecisas. Para demostrar la eficiencia del método propuesto, optimizamos los parámetros de un conjunto para la segmentación pulmonar en escáneres CT. Nuestros resultados experimentales muestran que el método propuesto puede mantener la calidad de la solución del método base con un tiempo de ejecución significativamente menor. En nuestro problema, la optimización con recocido simulado arrojó una puntuación de 0.9397 y una asociada de 0.7757. Nuestro método propuesto mantuvo la calidad de la solución con una puntuación de 0.9395 y de 0.7755 mientras exhibía una reducción del 42.01% en el tiempo de ejecución. También se demostró que el método propuesto es más eficiente que el recocido simulado con evaluación basada solo en muestreo cuando el tamaño del conjunto de datos está por debajo de un umbral específico del problema.