O uso de exames de imagem é uma das maneiras menos invasivas de identificar algumas doenças. A análise geralmente começa pela detecção das regiões a serem investigadas e, posteriormente, informações relevantes como forma e textura são verificadas. A evolução de métodos na área de Processamento Digital de Imagens, Visão Computacional e Computação gráfica possibilitam aos médicos a visualização, classificação, análise e manipulação de imagens dos órgãos em estudo de forma detalhada e rápida. Se unindo a isso, a grande disponibilidade de bases contendo imagens médicas vem tornando possível o teste de novas abordagens com o intuito de extrair informações clínicas relevantes. Dessa maneira, ocorreu um considerável aumento no interesse do desenvolvimento de sistemas de diagnóstico auxiliado por computador (CAD - \textit{Computer Aided Diagnosis}). O uso de sistemas CAD é uma maneira de aliviar o trabalho repetitivo do médico, minimizar erros e aumentar a eficiência no trabalho. Nesta dissertação, é proposto um algoritmo de agrupamento semissupervisionado chamado Seeded Fuzzy C-means (SFc-means), usado para segmentar regiões de interesse em imagens médicas e que pode ser utilizado em um sistema CAD. O SFc-means usa um pouco de informação fornecida por um médico para segmentar essas regiões. Desta forma, o algoritmo automatiza uma das etapas, levando a um diagnóstico mais rápido. Este algoritmo foi avaliado em bases de leucemia, câncer de pele, câncer de colo do útero e imagens de glaucoma, que são doenças que afetam de forma nociva, se não diagnosticadas com antecedência. Além disso, foi feito um teste do uso do algoritmo em um sistema CAD de diagnóstico do glaucoma. Os resultados obtidos ilustram a viabilidade da aplicação do algoritmo, a fim de efetivamente auxiliar os médicos na detecção das regiões, uma vez que, na maioria dos testes, obteve-se um índice Kappa “Excelente”.