El aprendizaje profundo está revolucionando la generación de informes de radiología (RRG) con la adopción de marcos de codificador-decodificador de visión (VED), que transforman radiografías en informes médicos detallados. Los métodos tradicionales, sin embargo, a menudo generan informes de diversidad limitada y tienen dificultades con la generalización. Nuestra investigación introduce el aprendizaje por refuerzo y la ampliación de texto para abordar estos problemas, mejorando significativamente la calidad y la variabilidad de los informes. Al emplear RadGraph como métrica de recompensa e innovar en la ampliación de texto, superamos los benchmarks existentes como BLEU4, ROUGE-L, FCheXbert y RadGraph, estableciendo nuevos estándares de precisión y diversidad de informes en los conjuntos de datos MIMIC-CXR y Open-i. Nuestro modelo VED logra puntuaciones F de para CheXbert y para RadGraph en el conjunto de datos MIMIC-CXR, y y , respectivamente, en Open-i. Estos resultados representan un avance significativo en el campo de RRG. Los hallazgos y la implementación del enfoque propuesto, destinado a mejorar la precisión diagnóstica e interpretaciones radiológicas en entornos clínicos, están disponibles públicamente en GitHub para fomentar nuevos avances en el campo.