La segmentación de una imagen de un núcleo es una de las tareas más esenciales en un sistema de diagnóstico de leucemia. Los métodos de segmentación precisos y rápidos ayudan a los médicos a identificar las enfermedades y proporcionar un mejor tratamiento en el momento adecuado. Recientemente, los algoritmos de agrupamiento híbridos han comenzado a ser ampliamente utilizados para la segmentación de imágenes en el procesamiento de imágenes médicas. En este artículo se discute un nuevo algoritmo de agrupamiento híbrido basado en histogramas y clustering de k-medias áspero con cobertura suave (HSCRKM) para la segmentación de imágenes de núcleos de leucemia. Este algoritmo combina las fortalezas de un conjunto áspero de cobertura suave y clustering de k-medias áspero. El método del histograma se utilizó para identificar el número de grupos y evitar la inicialización aleatoria. Se extrajeron diferentes tipos de características como la matriz de co-ocurrencia de niveles de gris (GLCM), características basadas en color y forma de la imagen segmentada del núcleo. Se aplicaron algoritmos de predicción de aprendizaje automático para clasificar las células cancerosas y no cancerosas. La estrategia propuesta se compara con un algoritmo de agrupamiento existente y la eficiencia se evalúa en función de las métricas de predicción. Los resultados experimentales muestran que el método HSCRKM segmenta eficientemente el núcleo, y también se infiere que la regresión logística y la red neuronal funcionan mejor que otros algoritmos de predicción.