A cranioplastia é um procedimento cirúrgico bastante conhecido na neurocirurgia cujo caráter reparatório visa a restaurar defeitos cranianos gerados por traumas, má-formação congênita e outras neurocirurgias como, por exemplo, a craniectomia. A restauração tem por finalidade garantir a proteção biomecânica dos tecidos moles subjacentes ao implante, normalizar a pressão intracraniana, restaurar a dinâmica normal do fluxo de líquido cefalorraquidiano, e reduzir as chances de complicações pós-operatórias de craniectomias. Os impactos da cranioplastia são benéficos ao paciente, tanto do ponto de vista neurológico, quanto psicossocial. Atualmente, a fabricação de implantes cranianos pode ser obtida através de um processo chamado de prototipagem rápida. Tal processo envolve a modelagem digital do implante em software CAD e sua impressão 3D em bioimpressora. Nos casos de cranioplastia após craniectomia, estudos apontam que o potencial de redução de riscos de complicações pósoperatórias ao paciente é maior quando a criação do implante craniano acontece por prototipagem rápida, devido a precisão e agilidade inerente ao processo em relação a processos convencionais de fabricação do implante. No entanto, essa precisão e agilidade nem sempre são garantidas pois são fundamentalmente dependentes tanto da qualidade e propriedades do biomaterial e impressora 3D utilizadas durante a bioimpressão, quanto da experiência e habilidade do desenhista CAD, e dos recursos de ferramentas internas ao software CAD que lhe serão disponíveis durante a modelagem digital do implante, visto que os recursos rápidos e semiautomáticos se tornam inaplicáveis conforme a complexidade do defeito craniano aumenta. Pensando nisso, a presente pesquisa se propôs a demonstrar como a modelagem digital de implantes cranianos pode ser tratada de maneira automatizada e orientada por dados, através do uso de inteligência artificial generativa. A modelagem digital do implante foi tratada como uma tarefa de conclusão de nuvem de pontos, na qual a subtração booleana entre a geração de saída e sua respectiva entrada resultou no modelo digital tridimensional do implante. Para o treinamento e avaliação da rede neural generativa autocodificadora convolucional foi necessário a construção de um conjunto de dados multiclassificado e balanceado, através de metodologias de amostragem híbrida e registro de imagens tridimensionais. Os resultados foram quantificados por métricas que medem a similaridade e dissimilaridade do modelo digital de implante na relação resultadoreferência. Os resultados obtidos foram uma distância de Hausdorff média de 24,22 mm e um coeficiente de similaridade de Dice média de 0,726, ou seja, aproximadamente 73% de precisão. Como conclusão, esse trabalho aponta que o uso de inteligência artificial generativa na modelagem digital de implantes cranianos é uma abordagem promissora, e além de contribuir com a rapidez com que o implante bioimpresso estaria a disposição para a realização de uma cranioplastia precoce, também contribui com o alívio da complexidade, demanda de experiência, consumo de tempo em modelagens complexas, e altos custos relacionados ao licenciamento de uso de softwares CAD médicos. Espera-se que as contribuições deste projeto estimulem o surgimento de novas pesquisas na área, visando inovações tecnológicas ao processo de fabricação de implantes bioimpressos.