La detección y segmentación de metástasis cerebrales (BMs) desempeñan un papel fundamental en el diagnóstico, la planificación del tratamiento y las evaluaciones de seguimiento para la gestión efectiva de las BM. Dados el aumento de la prevalencia de casos de BM y sus múltiples onsets predominantemente, la segmentación automatizada se está volviendo necesaria en la radiocirugía estereotáctica. No solo alivia la carga de trabajo manual del clínico y mejora la eficiencia del flujo de trabajo clínico, sino que también garantiza la seguridad del tratamiento, mejorando en última instancia la atención al paciente. Los avances recientes en el aprendizaje automático, particularmente en el aprendizaje profundo (DL), han revolucionado la segmentación de imágenes médicas, logrando resultados de vanguardia. Esta revisión tiene como objetivo analizar estrategias de auto-segmentación, caracterizar los datos utilizados y evaluar el rendimiento de las metodologías de segmentación de BM de última generación. Además, abordamos los desafíos que enfrenta la segmentación de BM y compartimos percepciones obtenidas de nuestras experiencias de implementación algorítmica y clínica.