Los modelos de aprendizaje automático son conocidos por su alta dependencia de un gran corpus de datos en la resolución de problemas del mundo real, incluida la reciente pandemia de COVID-19. En la práctica, la adquisición de datos es un proceso oneroso, especialmente en aplicaciones médicas, debido a la falta de disponibilidad de datos para enfermedades recién surgidas y preocupaciones de privacidad. Este estudio presenta un marco de síntesis de datos (sRD-GAN) que genera imágenes sintéticas de TC de COVID-19 utilizando un mecanismo novedoso de abandono residual apilado (sRD). sRD-GAN tiene como objetivo aliviar el problema de la escasez de datos generando imágenes médicas sintéticas de pulmón que contienen anotaciones radiográficas precisas. El mecanismo sRD está diseñado utilizando una estrategia basada en regularización para facilitar una diversidad a nivel de instancia perceptualmente significativa sin desentrelazamiento de atributos de contenido-estilo. Experimentos extensos muestran que sRD-GAN puede generar un realismo perceptual excepcional en imágenes de TC de COVID-19 examinadas por un radiólogo experimental, con una distancia de Inception Fréchet (FID) sobresaliente de 58.68 y una similitud de parche de imagen perceptual aprendida (LPIPS) de 0.1370 en el conjunto de pruebas. En un experimento de referencia, sRD-GAN muestra un rendimiento superior en comparación con GAN, CycleGAN y CycleGAN de uno a uno. Los alentadores resultados logrados por sRD-GAN en diferentes casos clínicos, como imágenes de TC de neumonía adquirida en la comunidad y COVID-19 en imágenes de rayos X, sugieren que el método propuesto puede ser fácilmente extendido a otros problemas de síntesis de imágenes similares.