La inteligencia artificial aplicada a la imagen médica enfrenta desafíos persistentes, como conjuntos de datos limitados, desequilibrios de clases y altos costos computacionales. Para superar estas barreras, presentamos PixMed-Enhancer, una novedosa GAN condicional que integra el módulo fantasma en su codificador, un enfoque pionero que logra una extracción eficiente de características al reducir significativamente la complejidad computacional sin comprometer el rendimiento. Nuestro método cuenta con una función de pérdida híbrida, que combina de forma única la entropía cruzada binaria (BCE) y la Medida del Índice de Similitud Estructural (SSIM), para garantizar precisión a nivel de píxel al tiempo que mejora el realismo perceptual. Además, el uso de máscaras de entrada condicionales ofrece un control sin igual sobre la generación de características tumorales, marcando un avance en la ampliación de conjuntos de datos detallados para tareas de segmentación y diagnóstico. Las pruebas rigurosas en conjuntos de datos diversos establecen a PixMed-Enhancer como una solución de vanguardia, destacando por su realismo, fidelidad estructural y eficiencia computacional. PixMed-Enhancer sienta una base sólida para aplicaciones clínicas del mundo real en imágenes médicas impulsadas por la inteligencia artificial.