در تصاویر پزشکی به علت وجود نویز در داده ها ی دریافتی، به طور محسوس عدم قطعیت در داده ها را داریم. مخصوصاً مرز بین بافت ها دقیقاً مشخص نیست و عضویت در هر ناحیه ذاتاً فازی است. بخش بندی دستی تصاویر یک فرآیند زمان بر است و خطاهای انسانی در آن نقش زیادی دارد. ام آر آی یکی از انواع مهم تصاویر پزشکی است که امروزه پیشرفت های زیادی در بخش بندی خودکار آن صورت گرفته است. یکی از روش های معمول و متداول بخش بندی تصاویر ام آر آی، استفاده از الگوریتم خوشه بندی فازی است. این الگوریتم به پیکسل ها این امکان را می دهد که با درجه عضویت های مختلف در دسته های متفاوت قرار بگیرند، اما الگوریتم پایه خوشه بندی فازی دارای ضعف های فراوانی است که منجر به کاهش دقت بخش بندی خواهد شد. یکی از این ضعف ها عدم استفاده از اطلاعات مکانی پیکسل ها در بخش بندی است. در نتیجه این الگویتم بسیار حساس به نویز است. در این تحقیق به منظور جبران ضعف الگوریتم خوشه بندی فازی، تنها به مقادیر شدت روشنایی پیکسل ها اکتفا نشده و از اطلاعات پیکسل های همسایه نیز استفاده شده است. سپس از یک شبکه عصبی به عنوان طبقه بند در کنار الگوریتم خوشه بندی فازی استفاده می شود تا به این وسیله ضعف های الگوریتم خوشه بندی فازی تا حدودی مرتفع گردد. به منظور ارزیابی و سنجش کارایی روش های پیشنهادی شبیه سازی های فراوانی صورت گرفت. نتایج کمی و کیفی اجرای الگوریتم ها روی داده های واقعی و شبیه سازی شده حاکی از برتری روش های پیشنهادی بر روش های شناخته شده قبلی در بخش بندی تصاویر ام آر آی است. روش های پیشنهادی روی داده های شبیه سازی شده به خصوص در برش های بالایی و پایینی که طبقه بندی آن دشوارتر می باشد در مقایسه با یکی از روش های مورد مقایسه قبلی که بهترین نتیجه را داشته است حدود 3 تا 4 درصد بهبود داشته است. همچنین روی داده های واقعی نیز روش های پیشنهادی در قطعه بندی بافت ماده سفید در مقایسه با یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هشت درصدی را نشان می دهد.