La enfermedad periodontal es una preocupación de salud global generalizada que requiere un diagnóstico preciso para un tratamiento efectivo. Los métodos de diagnóstico tradicionales basados en radiografías panorámicas a menudo están limitados por la evaluación subjetiva y la baja resolución de las imágenes, lo que lleva a una precisión subóptima. Este estudio presenta un enfoque que integra Redes Generativas Antagónicas de Super-Resolución (SRGANs) con modelos de segmentación basados en aprendizaje profundo para mejorar la segmentación de áreas de pérdida ósea periodontal (PBL) en radiografías panorámicas. Al transformar imágenes de baja resolución en versiones de alta resolución, el método propuesto revela detalles anatómicos críticos que son esenciales para diagnósticos precisos. La efectividad de este enfoque se validó utilizando conjuntos de datos del Hospital Universitario Nacional de Chungbuk y el portal de datos de Kaggle, demostrando mejoras significativas tanto en la resolución de la imagen como en la precisión de la segmentación. El modelo SRGAN, evaluado utilizando las métricas de Relación Señal a Ruido Pico (PSNR) e Índice de Similitud Estructural (SSIM), logró un PSNR de 30.10 dB y un SSIM de 0.878, lo que indica una alta fidelidad en la reconstrucción de la imagen. Cuando se aplicaron a la segmentación semántica utilizando una arquitectura U-Net, las imágenes mejoradas resultaron en un coeficiente de similitud de Dice (DSC) de 0.91 y una intersección sobre unión (IoU) del 84.9%, en comparación con un DSC de 0.72 y un IoU del 65.4% para imágenes nativas de baja resolución. Estos resultados subrayan el potencial de la mejora de imágenes con SRGAN para mejorar la segmentación de áreas de PBL y sugieren aplicaciones más amplias en imágenes médicas, donde la claridad de la imagen mejorada es crucial para la precisión diagnóstica. Este estudio también destaca la importancia de investigaciones adicionales para ampliar la diversidad de conjuntos de datos e incorporar validación clínica para realizar plenamente los beneficios de las técnicas de super-resolución en diagnósticos médicos.