بخش‌بندی تصاویر MR گامی ضروری در برنامه‌ریزی جراحی و درمان است. غیریکنواختی شدت، شناخته شده تحت عنوان بایاس، یک آرتیفکت رایج در تصاویر MR بوده که باعث ایجاد چالش‌های در فرآیند بخش‌بندی بافت‌های مغزی می‌شود. این آرتیفکت به‌دلیل عواملی نظیر غیریکنواختی میدان مغناطیسی، حساسیت کویل فرکانس رادیویی و آرتیفکت‌های اسکنر رخ داده که باعث ایجاد غیریکنواختی شدت داخل نواحی بافت همگن تصاویر مغزی می‌شود. جهت حل چالش مطرح شده، رویکرد جدید خوشه‌بند فازی مبتنی بر الگوریتم گستافسون-کسل ارائه می‌شود که با تخمین بایاس و کمینه کردن اثر نویز براساس تئوری اطلاعات نسبت به رویکردهای مبتنی بر الگوریتم فازی C-میانگین مقاوم به نویز و غیریکنواختی شدت است. در ابتدا مولفه‌ای تحت عنوان بایاس به تابع هزینه الگوریتم گستافسون-کسل اضافه می‌شود. در گام بعدی، جهت مقاوم بودن الگوریتم پیشنهادی به نویز، اطلاعات متقابل بین توزیع داده هر خوشه و داده‌ی خارج از خوشه بیشینه می‌شود. سرانجام، با به‌روزرسانی ماتریس کواریانس، ماتریس عضویت، ضریب yi جهت حذف نمونه‌های نویزی، مولفه بایاس و مراکز خوشه فرآیند بخش‌بندی بافت‌های مغزی انجام می‌شود. نتایج آزمایش نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با سایر روش‌های بخش‌بندی تصاویر MR تحت تغییرات غیریکنواختی شدت و الگوریتم‌های مبتنی بر فازی C-میانگین عملکرد بهتری در بخش‌بندی بافت‌های مختلف مغزی دارد.