La aplicación exitosa de técnicas de inteligencia artificial (IA) para el análisis cuantitativo de datos de imágenes médicas híbridas como PET/CT se ve desafiada por las diferencias en el tipo de información y la calidad de imagen entre las dos modalidades. El propósito de este trabajo fue desarrollar metodologías de preprocesamiento basadas en color para datos de PET/CT que pudieran ofrecer un mejor punto de partida para el diagnóstico y el procesamiento y análisis de imágenes posteriores. Se proponen dos métodos que se basan en la codificación de Unidades Hounsfield (HU) y Valores de Captación Estandarizados (SUV) en archivos .png transformados separados como información de color reversible en combinación con metadatos de información básica .png basados en atributos DICOM. Se utilizó Linux Ubuntu con Python para la implementación y prueba piloto de las metodologías propuestas en escaneos cerebrales de 18F-FDG PET/CT adquiridos con diferentes sistemas PET/CT. El rango de HUs y SUVs se mapeó utilizando novedosas funciones de distribución de color ponderadas que permitieron una representación equilibrada de los datos y una mejor visualización de las diferencias anatómicas y metabólicas. La aplicación piloto de los códigos de mapeo propuestos produjo imágenes de CT y PET donde era más fácil identificar variaciones en la anatomía y la actividad metabólica, y ofreció un punto de partida potencialmente mejor para el análisis cuantitativo totalmente automatizado de regiones específicas de interés o evaluación por observadores. Cabe señalar que los archivos .png de salida contenían todos los valores en bruto y podían ser tratados como datos de entrada DICOM en bruto.