El cáncer de vejiga urinaria es uno de los cánceres más comunes del tracto urinario. El procedimiento estándar de diagnóstico puede ser invasivo y llevar mucho tiempo. Por estas razones, se introduce un procedimiento llamado biopsia óptica. Este procedimiento permite la evaluación in-vivo de la mucosa de la vejiga sin necesidad de biopsia. Aunque es menos invasivo y más rápido, la precisión suele ser menor. Por esta razón, se utilizan algoritmos de aprendizaje automático (ML) para aumentar su precisión. El problema con los algoritmos de ML es su sensibilidad a la cantidad de datos de entrada. En medicina, la recolección puede llevar mucho tiempo debido a un número potencialmente bajo de pacientes. Por estas razones, se realiza una ampliación de datos, generalmente a través de una serie de variaciones geométricas de imágenes originales. Si bien tales imágenes mejoran el rendimiento de clasificación, el número de nuevos puntos de datos y la información que proporcionan es limitada. Estos problemas son una motivación para la aplicación de nuevos métodos de ampliación. Los autores demuestran el uso de Redes Generativas Antagónicas de Convolución Profunda (DCGAN) para la generación de imágenes. Los conjuntos de datos aumentados utilizados para el entrenamiento de arquitecturas basadas en Redes Neuronales Convolucionales (CNN) comúnmente utilizadas (AlexNet y VGG-16) muestran un aumento significativo en el rendimiento para AlexNet, donde AUCmicro alcanza valores de hasta 0.99. Los resultados promedio y mediana de las redes utilizadas en la búsqueda en cuadrícula aumentan. Estos resultados apuntan a la conclusión de que la ampliación basada en GAN ha disminuido la sensibilidad de las redes al cambio de hiperparámetros.