En los últimos años, las tareas de visión por computadora han ganado mucha popularidad, acompañadas por el desarrollo de numerosas arquitecturas potentes que entregan consistentemente resultados sobresalientes cuando se aplican a conjuntos de datos bien anotados. Sin embargo, adquirir un conjunto de datos de alta calidad sigue siendo un desafío, especialmente en dominios sensibles como la imagen médica, donde el costo y las preocupaciones éticas representan un desafío. Las redes generativas adversarias (GANs) ofrecen una posible solución para expandir artificialmente conjuntos de datos, proporcionando un recurso básico para aplicaciones que requieren datos grandes y diversos. Este trabajo presenta una revisión exhaustiva y un análisis comparativo de las arquitecturas de GAN más prometedoras. Esta revisión está destinada a servir como una referencia valiosa para seleccionar la arquitectura más adecuada para diversos proyectos, disminuyendo los desafíos planteados por conjuntos de datos limitados y restringidos. Además, desarrollamos experimentación práctica, centrándonos en la ampliación de un conjunto de datos médicos derivados de un video de colonoscopia. También aplicamos una de las arquitecturas de GAN descritas en nuestro trabajo a un conjunto de datos que consiste en imágenes de histopatología. El objetivo era ilustrar cómo las GAN pueden mejorar y ampliar conjuntos de datos, mostrando su potencial para mejorar la calidad general de los datos. A través de esta investigación, nuestro objetivo es contribuir a la comprensión y aplicación más amplias de las GAN en escenarios donde la escasez de datos representa un obstáculo significativo, especialmente en aplicaciones de imágenes médicas.