Desde a descoberta das imagens médicas, estas vem sendo um grande pilar na medicina atual. Essas imagens tornaram-se base de diagnósticos, considerando que permitem a análise da estrutura interna de um paciente sem que seja necessário a utilização de métodos invasivos. Automatização de processos é um foco de diversos estudos. Na medicina inclusive, esses tipos de estudo passam a ser de grande importância, visto que diversos procedimentos realizados por especialistas da área tendem a ser cansativos e maçantes. Um exemplo desses procedimentos, é a análise de imagens médicas. Existem métodos que auxiliam o profissional na identificação de partes importantes da imagem, como as segmentações semiautomáticas ou automáticas. Porém, tais métodos de segmentação são propensos a erros. Dessa forma, notou-se a necessidade de desenvolvimento de métodos complementares à segmentação que tornem a análise das imagens médicas mais eficiente. O foco deste trabalho é o estudo e implementação de um algoritmo capaz de classificar pixels de imagens e gerar imagens classificadas automaticamente. O método consiste em treinar classificadores de diferentes formas, utilizar esses classificadores, separadamente, para a classificação de imagens de teste, gerar uma nova imagem classificada e fazer a junção da imagem classificada gerada com a versão segmentada desta mesma imagem. Apesar de terem sido implementados quatro formas diferentes de treinar um classificador, concluiu-se, com base nos experimentos realizados, que o descritor Vizinhança 1 foi o mais eficiente. Mesmo com bons resultados, muito tem para estudar e experimentar em relação aos métodos propostos para aprimorar os resultados e tornar a utilização do método viável em ambientes reais.