La segmentación de imágenes médicas es crucial para el diagnóstico y la planificación del tratamiento, sin embargo, los métodos tradicionales a menudo luchan con la variabilidad de los datos clínicos del mundo real. Los modelos de aprendizaje profundo, como el Modelo Segment Anything (SAM), se han propuesto como una herramienta poderosa que ayuda a delimitar regiones utilizando un estímulo. Este trabajo propone una metodología para mejorar la calidad de la segmentación integrando la ampliación en el momento de la prueba (TTA) con el SAM para aplicaciones médicas (MedSAM) mediante el uso de cambios circulares aleatorios, abordando desafíos como desalineaciones y variabilidad de imágenes. El método genera varias variaciones de entrada durante la inferencia que se combinan después, mejorando la robustez y la precisión de la segmentación sin necesidad de volver a entrenar. Evaluado en diversos conjuntos de datos de tomografía computarizada (TC), incluidos Medical Segmentation Decathlon (MSD), KiTS y COVID-19-20, el método propuesto demostró mejoras consistentes en el Coeficiente de Similitud de Dice (DSC) y el Dado de Superficie Normalizado (NSD). Los mejores rendimientos fueron del 93.6% DSC y del 97% NSD. Notablemente, logró una precisión de límite superior y una alineación de superficie en regiones complejas como el páncreas y el colon, superando a los modelos de referencia, incluidos MedSAM y DeepLabv3+. El enfoque es computacionalmente factible, aprovechando un equilibrio entre la intensidad de la ampliación y la precisión de la segmentación.