En el campo del Aprendizaje Automático, existe un compromiso entre la cantidad de datos con los que se entrena un modelo y los resultados del mismo. Uno de los principales problemas de la adquisición de datos son las anomalías, los valores erróneos o, principalmente, faltantes. En aplicaciones médicas, como el análisis de mamografías para la detección de tumores, estas anomalías pueden mermar el rendimiento del modelo y repercutir directamente en la vida de los pacientes, debido a un diagnóstico erróneo. Para subsanar este problema, presentamos un desarrollo de software capaz de generar mamografías sintéticas de alta resolución con presencia de tumores benignos y malignos a través de redes neuronales DCGAN (Deep Convolutional Generative Adversarial Networks). El objetivo es comprobar si estas imágenes sintéticas son clasificadas correctamente como tumores benignos o malignos por los clasificadores de cáncer de mama del estado del arte.