El presente trabajo final aborda las técnicas generativas en inteligencia artificial, centrándose en los modelos de difusión dentro del campo de la imagenología médica, y en particular, en su aplicación para la caracterización de lesiones dermatológicas. El objetivo es la generación de imágenes médicas de calidad comparable con las originales, de manera de poder afirmar si con las técnicas existentes previas a la finalización de este trabajo, se tienen suficientes elementos para lograr la calidad deseada. Se abordan las limitaciones en la implementación de modelos de aprendizaje profundo en imágenes médicas, que recaen principalmente en la escasez de datos, el desequilibrio de estos y la falta de datos etiquetados en poblaciones subrepresentadas. En el contexto de la imagenología médica, las restricciones en los datos surgen debido a la alta especialización de las imágenes, la privacidad de los pacientes y la falta de representación de ciertas poblaciones. Este estudio se enfoca en una aplicación práctica de los modelos de difusión y la forma de evaluar la calidad de las imágenes generadas y su impacto en el desempeño de modelos de aprendizaje profundo. Se realiza una investigación del estado del arte con respecto a los modelos de difusión, seleccionando aquellas técnicas y modelos que presenten un mayor potencial para su aplicación dentro de la caracterización de lesiones dermatológicas. Se implementan distintas técnicas de ajuste fino sobre modelos de difusión preentrenados, como Stable Diffusion, para lograr mejorar la calidad de las imágenes generadas. Se concluye que la calidad de las imágenes generadas es muy buena al compararlas con imágenes reales de un dataset público de referencia. También, se entrenó un modelo de clasificación de lesiones de piel con imágenes reales, utilizando imágenes generadas tanto como técnica de “data augmentation” como también como técnica de “upsampling”. Se lograron mejoras, concluyendo que estas técnicas generativas pueden resultar útiles para crear soluciones de aprendizaje profundo cuando hay escasez o desbalance de datos.