La segmentación de imágenes médicas desempeña un papel indispensable en la identificación del cartílago articular, y los huesos tibial y femoral a partir de imágenes de resonancia magnética (IRM). Hay diversas estrategias de segmentación de imágenes que se pueden utilizar para identificar las estructuras de la rodilla de interés. Entre las más populares se encuentran los métodos basados en agrupamiento no jerárquico, incluyendo los algoritmos K-means y fuzzy C-means (FCM). Aunque estos algoritmos se han utilizado en muchos estudios para la segmentación de imágenes regionales, tienen dos inconvenientes esenciales que limitan su rendimiento y precisión de segmentación. En primer lugar, dependen de una selección precisa de centroides iniciales, que generalmente se realiza de forma aleatoria, y en segundo lugar, estos algoritmos son lo suficientemente sensibles al ruido de la imagen y a los artefactos, lo que puede deteriorar el rendimiento de la segmentación. Basándonos en tales limitaciones, proponemos, en este estudio, dos novedosos esquemas híbridos metaheurísticos alternativos: agrupamiento no jerárquico, impulsado por un algoritmo genético, y Optimización por Enjambre de Partículas (PSO) con función de aptitud, que utiliza la entropía de Kapur y la varianza estadística. El objetivo de estos elementos de optimización es encontrar la distribución óptima de centroides para el modelo de segmentación de imágenes de RM de rodilla. Como parte de este estudio, proporcionamos pruebas exhaustivas de la robustez de estos novedosos algoritmos de segmentación ante los generadores de ruido de imagen. Esto incluye ruido gaussiano, ruido de moteado y ruido impulsivo de sal y pimienta con ruido dinámico para informar objetivamente sobre la robustez de las estrategias de segmentación propuestas en contraste con K-means y FCM convencionales. Este estudio revela aplicaciones prácticas de los algoritmos propuestos para la extracción de cartílago articular y el rendimiento de clasificación consiguiente de la osteoartritis temprana basado en modelos de segmentación y redes neuronales convolucionales (CNN). Aquí, proporcionamos un análisis comparativo de GoogLeNet y ResNet 18 con varios ajustes de hiperparámetros, donde logramos una precisión del 99,92% para la mejor configuración de clasificación para el reconocimiento temprano de la pérdida de cartílago.