Las cantidades y diversidades de conjuntos de datos son vitales para el entrenamiento de modelos en una variedad de aplicaciones de diagnóstico de imágenes médicas. Sin embargo, existen los siguientes problemas en escenas reales: los datos requeridos pueden no estar disponibles en una sola institución debido al número de pacientes o al tipo de patología, y a menudo no es factible compartir datos de pacientes debido a regulaciones de privacidad de datos médicos. Esto significa que se requiere mantener seguros los datos privados y se ha convertido en un obstáculo para fusionar datos de múltiples partes para entrenar un modelo médico. Para resolver los problemas, proponemos un marco de aprendizaje federado, que permite la fusión de conocimientos lograda mediante el intercambio de los parámetros del modelo de cada cliente a través de un entrenamiento federado en lugar de compartir datos. Basados en el conjunto de datos histopatológicos de cáncer de mama (BreakHis), nuestros experimentos de aprendizaje federado logran los resultados esperados, que son similares a los rendimientos del aprendizaje centralizado y verifican la viabilidad y eficiencia del marco propuesto.