در این پروژه از شبکه عصبی هاپفیلد رقابتی ‏‎(chnn)‎‏ به صورت ‏‎unsupervised‎‏ برای دسته بندی و تجزیه تصاویر پزشکی ‏‎mri‎‏ استفاده شده است . این شبکه نوع خاصی از شبکه هاپفیلد است که در آن شبکه بصورت رقابتی ‏‎winner taskes all‎‏ آموزش می بیند.مسئه تجزیه تصویر بر اساس دسته بندی پیکسل ها و با در نظر گرفتن شدت روشنایی آنها در کل تصویر انجام می شود.در این شبکه تابع انرژی که نمایانگر متوسط مربع اختلاف بین شدت روشنایی هایی است که در یک گروه قرار می گیرند، به حداقل می رسد.تعداد نورونها در این شبکه مستقل از ابعاد تصویر می باشد.با توجه به ساختار این شبکه و آموزش به صورت ‏‎wta‎‏ برای کاهش احتمال نوسانات نامحدود این شبکه باید به صورت اسنکرون آموزش داده شود.مشکلی که در اکثر شبکه های عصبی وجود دارد مشکل حداقل های محلی ‏‎(local minimim)‎‏است در این پروژه با ارائه یکروش جدید وضعیت اولیه شبکه طوری تعیین می شود که احتمال قرارگرفتن شبکه در حداقل های محلی کاهش یابد.نتایج شبیه سازی کاهش بسیار زیاد خطای متوسط در دسته بندی چند مجموعه از داده های اتفاقی را نشان می دهد.تصاویر سه بعدی دست آمده از سیستم های تصویربرداری پزشکی معمولا در جهات مختلف دارای قدرت تکیک یکنواخت نیستند.عموما فاصله بین لایه ها بیشتر از اندازه یک پیکسل در داخل یک لایه است.در این پروژه برای نمایش حجم سه بعدی ، پس از تجزیه تصویر به منظور بدست آوردن تصویر یکنواخت یک مرحله درونیابی ، صوت گرفته است.همچنین دراین پروژه از روش ‏‎volume rendering‎‏ برای سه بعدی سازی تصاویر پزشکی استفاده شده است.با این روش می توان میزان شفافیت حجم سه عدی را تغغیر داده و اجزای داخلی را صورت نیمه شفاف مشاهده نمود.همچنین می توان حجم مورد نظر رااز زوایای گوناگون مشاهده کرده و در هر زاویه و مقطع دلخواهی ، برشی از این حجم سه بعدی را بدست آورد.