El diagnóstico de anormalidades cerebrales es una tarea que plantea un reto para los especialistas, debido a que muchas de estas patologías requieren de métodos que resultan incómodos para los pacientes y en algunos casos no logran su cometido. La segmentación de estructuras cerebrales mediante imágenes médicas se plantea como una herramienta de apoyo eficaz y no invasiva para el apoyo al diagnóstico de neuro-patologías. Sin embargo, existen tres problemas latentes en la segmentación de estructuras, el primer problema es determinar un espacio de representación adecuado que puede revelar información de la anormalidad; el segundo se ubica en el desbalance de datos que es frecuente en estudios de tipo, que tiendo a hacer que las metodologías de segmentación fallen al detectar las anormalidades; y por último el problema de tener millones de datos como consecuencia de las imágenes médicas o datos volumétricos, lo cual hace que sistemas de cómputo no sean capaz de procesar la información. Por lo tanto, en este trabajo se plantea una metodología de segmentación de estructuras cerebrales que pueden manejar el desbalance y las altas cantidades de datos, encontrando un espacio de representación idóneo.