La segmentación precisa del cáncer de próstata (PCa) a partir de resonancias magnéticas multiparamétricas es crucial en la práctica clínica para guiar la biopsia y la planificación del tratamiento. Los métodos automatizados existentes a menudo carecen de la precisión y robustez necesarias para localizar el PCa, mientras que los métodos de segmentación interactiva, aunque más precisos, requieren la intervención del usuario en cada imagen de entrada, lo que limita la rentabilidad del flujo de trabajo de segmentación. Nuestro innovador marco aborda las limitaciones de los métodos actuales combinando una red de segmentación gruesa, una red de rechazo y una red profunda interactiva conocida como Segment Anything Model (SAM). La red de segmentación gruesa genera automáticamente resultados de segmentación iniciales, que son evaluados por la red de rechazo para estimar su calidad. Los resultados de baja calidad se marcan para la interacción del usuario, con el usuario proporcionando una región de interés (ROI) que encierra las lesiones, mientras que para los resultados de alta calidad, las ROIs se recortaron de la segmentación automática. Tanto las ROIs definidas manualmente como automáticamente se alimentan en SAM para producir la segmentación fina final. Este enfoque reduce significativamente la carga de anotación y logra mejoras sustanciales al marcar aproximadamente el 20% de las imágenes con las puntuaciones de calidad más bajas para la anotación manual. Con solo la mitad de las imágenes anotadas manualmente, la precisión de la segmentación final es estadísticamente indistinguible de la lograda mediante la anotación manual completa. Aunque este documento se centra en la segmentación de lesiones prostáticas a partir de resonancias magnéticas multimodalidad, el marco se puede adaptar a otras aplicaciones de segmentación de imágenes médicas para mejorar la eficiencia de la segmentación manteniendo altos estándares de precisión.