El análisis de imágenes de próstata es difícil en el diagnóstico, la terapia y la estadificación del cáncer de próstata. En la práctica clínica, la resonancia magnética (RM) se utiliza cada vez más gracias a sus capacidades morfológicas y funcionales. Sin embargo, la detección y delineación manual de la glándula prostática en datos de RM multispectral es actualmente un procedimiento que consume mucho tiempo y depende del operador. Los enfoques de segmentación asistida por computadora eficientes aún no pueden abordar estos problemas, pero tienen el potencial de hacerlo. En este artículo, se propone un nuevo método automático de segmentación de imágenes de RM de próstata basado en el algoritmo de agrupamiento Fuzzy C-Means (FCM), que permite el procesamiento de datos anatómicos de RM ponderados por T1 (T1w) y T2 (T2w). Este enfoque, utilizando una técnica de aprendizaje automático no supervisado, ayuda a segmentar la glándula prostática de manera efectiva. Un total de 21 pacientes con sospecha de cáncer de próstata fueron incluidos en este estudio. Se utilizaron métricas basadas en volumen, métricas basadas en superposición espacial y métricas basadas en distancia espacial para evaluar cuantitativamente la precisión de los resultados de segmentación obtenidos con respecto a los límites de referencia delineados manualmente por un radiólogo experto. El método de segmentación multispectral propuesto se comparó con el mismo proceso aplicado solo a imágenes de RM T2w o T1w. El enfoque multispectral supera considerablemente a los monoparamétricos, logrando un coeficiente de similitud de Dice promedio de 90.77 +/- 1.75, en comparación con 81.90 +/- 6.49 y 82.55 +/- 4.93 al procesar imágenes T2w y T1w por separado, respectivamente. Combinar la información estructural de imágenes de RM T2w y T1w mejora significativamente la segmentación de la glándula prostática al aprovechar la apariencia gris uniforme de la próstata en la RM T1w.