El análisis de imágenes médicas es crucial para el diagnóstico eficiente de muchas enfermedades. Typically, los hospitales mantienen vastos repositorios de imágenes, que pueden ser aprovechados para varios propósitos, incluida la investigación. Sin embargo, el acceso a tales colecciones de imágenes está en gran medida restringido para salvaguardar la privacidad de las personas cuyas imágenes se almacenan, ya que entran en juego preocupaciones de protección de datos. Recientemente, el desarrollo de soluciones para el Análisis Automatizado de Imágenes Médicas ha ganado una atención significativa, siendo el Aprendizaje Profundo una solución que ha logrado resultados notables en esta área. Un enfoque prometedor para el análisis de imágenes médicas es el Aprendizaje Federado (FL), que permite el uso de un conjunto de repositorios de datos distribuidos físicamente, generalmente conocidos como nodos, cumpliendo con la restricción de que los datos no abandonan el repositorio. Bajo estas condiciones, FL puede construir modelos de aprendizaje profundo de alta calidad y precisión utilizando una gran cantidad de datos disponibles donde sea que estén. Por lo tanto, FL puede ayudar a los investigadores y médicos a diagnosticar enfermedades y apoyar decisiones médicas de manera más eficiente y sólida. Este artículo proporciona una encuesta sistemática de FL en el análisis de imágenes médicas, específicamente basado en imágenes de Resonancia Magnética, Tomografía Computarizada, Radiografía-X e histología. Por lo tanto, se discuten aplicaciones, contribuciones, limitaciones y desafíos y, por lo tanto, es adecuado para aquellos que desean comprender cómo FL puede contribuir al dominio de la imagen médica.