En los últimos años, las redes neuronales profundas (DNN) se han vuelto populares en muchas disciplinas como visión por computadora (CV), procesamiento de lenguaje natural (NLP), etc. La evolución del hardware ha ayudado a los investigadores a desarrollar muchos modelos poderosos de Aprendizaje Profundo (DL) para enfrentar numerosos problemas desafiantes. Uno de los desafíos más importantes en el área de CV es el Análisis de Imágenes Médicas en el cual los modelos de DL procesan imágenes médicas, como resonancia magnética (MRI), rayos X, tomografía computarizada (CT), etc., utilizando redes neuronales convolucionales (CNN) para el diagnóstico o detección de varias enfermedades. La correcta función de estos modelos puede mejorar significativamente los sistemas de salud. Sin embargo, estudios recientes han demostrado que los modelos de CNN son vulnerables a ataques adversarios con perturbaciones imperceptibles. En este documento, resumimos los métodos existentes para ataques adversarios, detecciones y defensas en imágenes médicas. Finalmente, mostramos que muchos ataques, que son indetectables por el ojo humano, pueden degradar significativamente el rendimiento de los modelos. Sin embargo, algunos métodos efectivos de defensa y detección de ataques mantienen los modelos seguros en cierta medida. Concluimos con una discusión sobre el estado actual de la técnica y los desafíos futuros.