Bien que les réseaux génératifs adverses (GAN) aient montré un grand potentiel dans le domaine de l'imagerie médicale, quatre limitations majeures entravent leur utilité : le coût computationnel élevé, les exigences en données, l'absence de mesures d'évaluation fiables et la complexité du processus d'entraînement. Notre étude examine chacune de ces contraintes dans une application novatrice de StyleGAN2-ADA sur des jeux de données d'imagerie médicale à haute résolution. Notre jeu de données comprend des coupes axiales contenant le foie provenant d'examens de tomographie computérisée (TDM) sans contraste et avec contraste. En outre, nous avons utilisé quatre jeux de données publics issus de modalités d'imagerie variées. Nous avons entraîné un réseau StyleGAN2 en utilisant l'apprentissage par transfert (à partir du jeu de données Flickr-Faces-HQ) ainsi que des techniques d'augmentation des données (retournement horizontal et augmentation adaptative du discriminateur). La qualité générative du réseau a été évaluée de manière quantitative par la distance de Fréchet Inception (FID) et de manière qualitative à travers un test visuel de Turing administré à sept radiologues et oncologues radiologiques.Le réseau StyleGAN2-ADA a atteint un score FID de 5,22 (±0,17) sur notre jeu de données TDM du foie. Il a également établi de nouveaux records de FID sur les jeux de données publics SLIVER07, ChestX-ray14, ACDC et Medical Segmentation Decathlon (tumeurs cérébrales), avec des valeurs respectives de 10,78, 3,52, 21,17 et 5,39. Dans le test visuel de Turing, les cliniciens ont jugé les images générées comme réelles dans 42 % des cas, ce qui s'approche du hasard. L'étude d'ablation computationnelle a révélé que l'apprentissage par transfert et l'augmentation des données stabilisent l'entraînement et améliorent la qualité perceptive des images générées. Nous avons observé une bonne corrélation entre les scores FID et l'évaluation perceptive humaine des images médicales. Enfin, notre travail démontre que StyleGAN2-ADA produit de manière cohérente des résultats de haute qualité, sans nécessiter de recherche de hyperparamètres ni de re-entraînement.