La pandemia global de COVID-19 resalta la importancia de contar con métodos rápidos y confiables para realizar una detección temprana y visualizar la evolución de la enfermedad en cada paciente, lo cual puede evaluarse con imágenes de radiografía de tórax. Además, con el fin de reducir el riesgo de contaminación cruzada, se pide a los radiólogos que prioricen el uso de dispositivos portátiles de radiografía de tórax que proporcionan una calidad y nivel de detalle inferiores en comparación con las máquinas fijas. En este contexto, los sistemas de diagnóstico asistido por computadora son muy útiles. Durante los últimos años, para el caso de la imagen médica, se han desarrollado ampliamente utilizando estrategias de aprendizaje profundo. Sin embargo, existe una falta de conjuntos de datos representativos suficientes de la afectación por COVID-19, que son críticos para el aprendizaje supervisado al entrenar modelos profundos. En este trabajo, proponemos un método totalmente automático para aumentar artificialmente el tamaño de un conjunto de datos original de imágenes de radiografía de tórax portátil que fue diseñado específicamente para el diagnóstico de COVID-19, el cual puede desarrollarse de manera no supervisada y sin necesidad de datos emparejados. Los resultados demuestran que el método es capaz de realizar un cribado fiable a pesar de todos los problemas asociados con las imágenes proporcionadas por los dispositivos portátiles, brindando una precisión general del 92.50%.