La segmentación de imágenes médicas, una tarea crítica en el análisis de imágenes médicas, tiene como objetivo delinear con precisión las regiones de interés (ROIs) como órganos, lesiones y células, y es crucial para aplicaciones que incluyen diagnóstico asistido por computadora, planificación quirúrgica, terapia de radiación y análisis patológico. Si bien los métodos de aprendizaje profundo totalmente supervisados han demostrado un rendimiento notable en este ámbito, su dependencia de conjuntos de datos anotados a gran escala y a nivel de píxel, un desafío significativo por la escasez de etiquetas, obstaculiza severamente su implementación generalizada en entornos clínicos. Abordando esta limitación, esta revisión se centra en paradigmas de aprendizaje no totalmente supervisados, investigando sistemáticamente la aplicación de técnicas de aprendizaje semi-supervisado, débilmente supervisado y no supervisado para la segmentación de imágenes médicas. Profundizamos en los fundamentos teóricos, las principales ventajas, los escenarios de aplicación típicos y las implementaciones algorítmicas representativas asociadas con cada paradigma. Además, este documento compila y revisa críticamente los conjuntos de datos de referencia comúnmente utilizados en el campo. Finalmente, discutimos las direcciones y desafíos de investigación futuros, ofreciendo perspectivas para avanzar en el campo y reducir la dependencia de una extensa anotación.