La segmentación de órganos abdominales en imágenes de TC es crucial para un diagnóstico preciso, la planificación del tratamiento y el monitoreo de condiciones. Sin embargo, el proceso de anotación a menudo se ve obstaculizado por desafíos como bajo contraste, artefactos y estructuras orgánicas complejas. Si bien la adaptación de dominio no supervisada (UDA) ha mostrado promesas para abordar estos problemas al transferir conocimiento de una modalidad diferente (dominio fuente), su dependencia de datos tanto de fuente como de destino durante el entrenamiento presenta un desafío práctico en muchos entornos clínicos debido a preocupaciones sobre la privacidad de los datos. Este estudio tiene como objetivo desarrollar un modelo de segmentación multi-órgano abdominal de modalidad cruzada para datos de TC sin etiquetas (dominio objetivo), aprovechando el conocimiento únicamente de un modelo de dominio fuente preentrenado (MRI) sin acceder a los datos de la fuente. Para lograr esto, generamos imágenes similares a las de la fuente a partir de imágenes del dominio objetivo utilizando un enfoque de traducción de imágenes unidireccional con el modelo preentrenado. Estas imágenes sintetizadas preservan la estructura anatómica del objetivo, lo que permite predicciones de segmentación del modelo preentrenado. Para mejorar aún más la precisión de la segmentación, particularmente para los límites de los órganos y contornos pequeños, introducimos un módulo de traducción auxiliar con un decodificador de imágenes y un discriminador de múltiples niveles. Los resultados demuestran mejoras significativas en varias métricas de rendimiento, incluido el coeficiente de similitud de Dice (DSC) y la distancia superficial simétrica promedio (ASSD), destacando la efectividad del método propuesto.