Un método potencial para rastrear la progresión de enfermedades neurovasculares con el tiempo en modelos preclínicos es la microscopía de fluorescencia multiphoton (MPM), que puede visualizar la vasculatura cerebral con una resolución a nivel capilar. Sin embargo, obtener imágenes tridimensionales de alta calidad con MPM de exploración puntual tradicional es un proceso que consume tiempo y limita el tamaño de las muestras para estudios crónicos. Aquí presentamos un algoritmo basado en una red neuronal convolucional (arquitectura PSSR Res-U-Net) para el aumento rápido de imágenes de baja resolución o muestreadas de forma dispersa y lo combinamos con un proceso de vectorización sin segmentación para la reconstrucción 3D y el análisis estadístico de la estructura de la red vascular. Al hacerlo, también demostramos que el uso de datos de entrenamiento semisintéticos puede reemplazar el costoso y arduo proceso de adquisición de pares de entrenamiento de baja y alta resolución sin comprometer los resultados de vectorización, y así abrir la posibilidad de utilizar enfoques similares para otras tareas de MPM donde la recolección de datos de entrenamiento es desafiante. Aplicamos nuestro enfoque a imágenes con amplios campos de visión de un modelo de ratón y mostramos que nuestro método se generaliza a través de diferentes profundidades de imagen, estados de enfermedad y otras diferencias en la neurovasculatura. Nuestros modelos preentrenados y nuestra arquitectura liviana se pueden utilizar para reducir el tiempo de imagen de MPM hasta cuatro veces sin cambios en el hardware subyacente, lo que permite su despliegue en una variedad de entornos.