A quantificação das alterações do volume do tecido intracraniano na ressonância magnética (RM) auxilia os especialistas a analisar os efeitos das alterações naturais ou patológicas. Como essas alterações podem ser sutis, a precisão do método de compartimentação influencia os estudos para analisar e quantificar os tecidos cerebrais. Nesta tese, revisamos os métodos recentes de segmentação do cérebro usados em ferramentas de imagens médicas. Em seguida, investigando a origem dos erros que podem ocorrer nos algoritmos de segmentação revisados, um pipeline híbrido é proposto para mitigar a influência desses erros. No primeiro capítulo, alguns pré-requisitos sobre estatística e modelos estatísticos e, em seguida, dois estimadores mais utilizados para os parâmetros do modelo são ilustrados. O segundo capítulo explica o uso de um modelo estatístico para segmentar imagens cerebrais. Além disso, as desvantagens desses métodos são discutidas. No terceiro capítulo, propomos um método de segmentação baseado na q-entropia modificada através de um campo aleatório modificado de Markov (Mqe-MMRF) para melhorar a precisão da parcela dos tecidos cerebrais. No último capítulo, os métodos propostos foram submetidos a duas estratégias para avaliar Mqe-MMRF, ou seja, uma simulação de diferentes níveis de ruído em dados de ressonância magnética e um conjunto de vinte dados de ressonância magnética disponíveis a partir de MRBrainS13 como desafio de segmentação de tecido cerebral. Nós acessamos nove métricas de qualidade de segmentação em comparação com delineamentos de tecidos de referência para avaliar o Mqe-MMRF. As simulações de ruído de ressonância magnética mostraram apenas 4,8 \% de decréscimo nas métricas de pontuação de segmentação após a adição de artefatos de ruído de 40 \% e 9 \% de não uniformidade e de ruído Gaussiano, respectivamente. Para cinco sujeitos de treinamento, encontramos melhoras significantes médias nas métricas de similaridade, para cérebro inteiro 0,78, Matéria Branca 2,91, Matéria Cinzenta 3,85 e Líquido Cefalorraquidiano 3,83 \% (p-valores <0,02) nas métricas quando o Mqe-MMRF é comparado a métodos estado da arte. O Mqe-MMRF foi realizado em 15 outros sujeitos reais no desafio on-line MRBrainS13, e os resultados mantiveram uma classificação mais alta do que as ferramentas de referência, ou seja, FreeSurfer, SPM e FSL. Como o método proposto melhorou a precisão da segmentação do cérebro e classificou o melhor desempenho para GM, ele pode ser usado em estudos morfológicos quantitativos do cérebro

Quantifying the intracranial tissue volume changes in magnetic resonance imaging (MRI) assists specialists to analyze the effects of natural or pathological changes. Since these changes can be subtle, the accuracy of the compartmentalization method influences studies to analyze and quantify brain tissues. In this thesis, we review the recent brain segmentation methods used in medical imaging tools. Then by investigating the source of mistakes which may happen in the reviewed segmentation algorithms, a hybrid pipeline is proposed in order to mitigate the influence of such mistakes. In the first chapter, some prerequisites about statistics and statistical models and then two most used estimators for the model parameters are illustrated. The second chapter explained using a statistical model to segment brain images. Also, the drawbacks of these methods are discussed. In the third chapter, we propose a segmentation method based on modified q-entropy through a modified Markov random field (Mqe-MMRF) to improve the accuracy of brain tissues parcellation. In the last chapter, we underwent two strategies to evaluate Mqe-MMRF, i.e., a simulation of different levels of noise on MRI data and a set of twenty MRI data available from MRBrainS13 as brain tissue segmentation challenge. We accessed nine segmentation quality metrics compared to reference tissues delineations to evaluate Mqe-MMRF. MRI noise simulations showed only 4.8 \% decreasing for segmentation scores metrics after adding 40 \% and 9 \% non-uniformity and Gaussian noise artifacts, respectively. For five training subjects, we, found significant mean improvements in the similarity metrics, for whole brain 0.78, White Matter 2.91, Gray Matter 3.85 and Cerebrospinal Fluid 3.83 \% (p-values < 0.02) in the metrics when Mqe-MMRF is compared to the other state of the art methods. The Mqe-MMRF was performed on 15 other real subjects in MRBrainS13 online challenge, and the results held a higher rank than the reference tools, i.e., FreeSurfer, SPM, and FSL. Since the proposed method improved the precision of brain segmentation and ranked the best performance for GM, it can be used in morphological brain quantitative studies