En este artículo, utilizamos Redes Generativas Adversarias (GANs) para sintetizar imágenes retinianas de alta calidad junto con los correspondientes mapas de etiquetas semánticas, en lugar de imágenes reales durante el entrenamiento de una red de segmentación. Diferente de otras propuestas anteriores, empleamos un enfoque de dos pasos: primero, se entrena una GAN de crecimiento progresivo para generar los mapas de etiquetas semánticas, que describen la estructura de los vasos sanguíneos (es decir, la vasculatura); segundo, se utiliza un enfoque de traducción de imagen a imagen para obtener imágenes retinianas realistas a partir de la vasculatura generada. La adopción de un proceso de dos etapas simplifica la tarea de generación, de modo que el entrenamiento de la red requiere menos imágenes con un uso de memoria menor. Además, el aprendizaje es efectivo y, con solo un puñado de muestras de entrenamiento, nuestro enfoque genera imágenes realistas de alta resolución, que pueden ser utilizadas con éxito para ampliar conjuntos de datos disponibles pequeños. Se obtuvieron resultados comparables al emplear solo imágenes sintéticas en lugar de datos reales durante el entrenamiento. La viabilidad práctica del enfoque propuesto se demostró en dos conjuntos de referencia bien establecidos para la segmentación de vasos retinianos, ambos con un número muy pequeño de muestras de entrenamiento, obteniendo un mejor rendimiento con respecto a las técnicas de vanguardia.