La imagen médica es crucial para diagnosticar, monitorear y tratar condiciones médicas. Los informes médicos de imágenes de radiología son el medio principal a través del cual los profesionales médicos pueden atestiguar sus hallazgos, pero su redacción consume tiempo y requiere experiencia clínica especializada. Por lo tanto, la generación automatizada de informes de radiografía tiene el potencial de mejorar y estandarizar la atención al paciente y reducir significativamente la carga de trabajo de los clínicos. A través de nuestro trabajo, hemos diseñado y evaluado un método basado en transformadores de extremo a extremo para generar informes de radiología precisos y factualmente completos para imágenes de rayos X. Además, somos los primeros en introducir el aprendizaje por currículos para transformadores de extremo a extremo en la imagen médica y demostrar su impacto en la obtención de un rendimiento mejorado. Los experimentos se llevaron a cabo utilizando la base de datos MIMIC-CXR-JPG, el conjunto de datos de rayos X de tórax más grande disponible. Los resultados obtenidos son comparables con el estado actual del arte en las métricas de generación de lenguaje natural (NLG) BLEU y ROUGE-L, mientras que se establecen nuevos resultados de vanguardia en las métricas F1 promediadas por ejemplos F1-macro y F1-micro para precisión clínica y en la métrica METEOR ampliamente utilizada para NLG.