Especialistas estudam a melhoria contínua da qualidade de imagem de ressonância magnética (RM) desde a criação do primeiro equipamento para aquisição desse tipo de imagem, em 1974. Este trabalho tem como objetivo analisar o ruído de fundo de imagens de RM de extremidades de alto campo (1 Tesla), causado principalmente por radiofrequência e interferências eletromagnéticas presentes na Gaiola de Faraday desses equipamentos. Para a realização deste estudo e a parametrização das imagens, utilizou-se de um dispositivo denominado phantom (usado para calibração desses equipamentos de RM) e o protocolo de referência para este fim chamado DQA (Daily Quality Assurance). Foram adquiridas 45 imagens de RM, pré-classificadas por especialista de RM como contendo ou não ruído de fundo, e posteriormente analisadas pelo método estatístico multivariado PCA (Principal Components Analysis) + MLDA (Maximum uncertaintly Linear Discriminant Analysis) e pelo SNR (Signal to Noise Ratio), índice padrão que quantifica a relação entre o sinal e o ruído da imagem. O PCA serviu como um filtro estatístico, diminuindo consideravelmente a quantidade de informação de entrada para o classificador MLDA. Quando utilizadas todas as componentes principais do PCA, o MLDA apresentou acurácia de 93,33% e resultados que permitiram discriminar o ruído de fundo dessas imagens em complementaridade com o SNRSince the creation of the first magnetic resonance imaging (MRI) equipment in 1974, experts have been studying the continuous improvement of image quality. This work aims to study the types of background noise in images from extremity MRI system of high-field, mainly caused by Faraday Cage problems. Phantom images of 1T equipment were investigated for this study. For the acquisition of these images, a protocol called DQA (Daily Quality Assurance) was used. For this work, 45 MRI images were acquired, which were pre-classified by an expert, and analyzed by SNR, an index that quantifies the ratio between signal and image noise, and by the multivariate statistical methods PCA + MLDA. PCA served as a statistical filter, which considerably decreased the amount of input information for MLDA. When all main components were used, MLDA showed an accuracy of 93.33% and results that allowed to discriminate background noise from these images in complementarity with SNR