La adaptación de dominio sin fuente (SFDA) para la segmentación de MRI prostática de modalidad cruzada es un desafío porque los datos de origen no están disponibles y las pseudoetiquetas en las imágenes de ADC objetivo a menudo son ruidosas. Para abordar este problema, proponemos el Método de Aprendizaje Guiado por Anatomía con Priors de Plantilla Poblacional (CALM), un marco de adaptación sin fuente para esta tarea. CALM construye un prior de plantilla poblacional a partir de las predicciones objetivo utilizando la agregación de consenso top-k y el promedio móvil exponencial entre rondas, luego combina este prior con predicciones a nivel de instancia a través de la fusión Soft-AND. Se introduce además una restricción de fondo de alta confianza para proporcionar una supervisión negativa confiable, y se utiliza un currículo impulsado por cobertura para expandir el entrenamiento de casos fáciles a difíciles basado en el acuerdo de pseudoetiquetas/plantilla. Este diseño forma un proceso iterativo en el que la refinación del prior y la refinación de la fiabilidad de la muestra se refuerzan mutuamente durante la adaptación. Los experimentos en el conjunto de datos PI-CAI bajo la configuración T2W-to-ADC muestran que CALM logra un puntaje promedio de Dice del 73.63% y supera las líneas base representativas de SFDA tanto en precisión de segmentación como en calidad de contorno. Los análisis de ablación y de modelo respaldan la contribución de cada componente. Estos resultados sugieren que los priors anatómicos a nivel poblacional pueden proporcionar una guía estructural práctica para la adaptación de modalidad cruzada sin fuente.