En este trabajo, presentamos un marco para combinar algoritmos de segmentación de imágenes arbitrarias de diferentes agentes bajo restricciones de privacidad de datos para producir un conjunto de predicciones agregadas que satisfacen garantías de control de riesgo de muestra finita. Aprovechamos técnicas de cuantificación de incertidumbre libres de distribución para agregar redes neuronales profundas para tareas de segmentación de imágenes. Nuestro método se puede aplicar en entornos para fusionar las predicciones de múltiples agentes con conjuntos de predicciones arbitrariamente dependientes. Además, realizamos experimentos en tareas de imágenes médicas para ilustrar nuestro marco propuesto. Nuestros resultados muestran que el marco redujo la tasa empírica de falsos positivos en un 50% sin comprometer la tasa de falsos negativos, con respecto a la tasa de falsos positivos de cualquiera de los modelos constituyentes en el algoritmo de predicción agregada.