Este estudio presenta una solución innovadora al desafío de la obsolescencia de piezas en microelectrónica, centrándose en la segmentación semántica de imágenes de rayos X de PCB mediante aprendizaje profundo. Abordando la escasez de conjuntos de datos anotados, desarrollamos un método novedoso para sintetizar imágenes de rayos X de PCB, utilizando imágenes virtuales con geometrías predefinidas y etiquetado inherente para eliminar la necesidad de anotación manual. Nuestro enfoque implica la creación de imágenes sintéticas realistas que imitan proyecciones de rayos X reales, mejoradas mediante la incorporación de perfiles de ruido derivados de imágenes reales de rayos X. Dos redes de aprendizaje profundo, basadas en la arquitectura U-Net con una columna vertebral VGG-16, fueron entrenadas exclusivamente en estos conjuntos de datos sintéticos para segmentar las uniones y trazas de PCB. Los resultados demuestran la efectividad de este enfoque basado en datos sintéticos, con las redes logrando altos índices de Jaccard en imágenes reales de rayos X de PCB. Este estudio no solo ofrece una alternativa escalable y rentable para la generación de conjuntos de datos en microelectrónica, sino que también destaca el potencial de los datos sintéticos en el entrenamiento de modelos para tareas complejas de análisis de imágenes, sugiriendo amplias aplicaciones en diversos dominios donde la escasez de datos es una preocupación.