A SARS-CoV-2, doença causada pelo novo coronavírus, após descoberta, espalhou-se rapidamente por vários países. O número de infectados ultrapassa 266 milhões em todo o mundo, e mais de 5,2 milhões de mortes são registradas. Existem várias formas de diagnosticar o COVID-19, desde testes rápidos a exames de imagem. O presente trabalho, propõe uma metodologia computacional que combina duas técnicas de Deep Learning, uma baseada na arquitetura U-Net e outra em Redes Geradoras Adversarial (GAN), com Tomografia Computadorizada para detectar regiões suspeitas de COVID-19. O método foi avaliado em duas bases de imagens (Bases A e B) disponíveis publicamente. Para os resultados da base de imagens A, a arquitetura U-Net alcançou um Dice 0.740, IoU 0.587, Sensibilidade 0.634, Especificidade 0.999, Acurácia 0.995, AUC 0.816, Precisão 0.887 e F-Score 0.740. Já a arquitetura baseada em GAN alcançou um Dice de 0.785, IoU 0.646, Sensibilidade 0.753, Especificidade 0.998, Acurácia 0.996, AUC 0.876, Precisão 0.820 e F-Score 0.785. Para a base B, os resultados foram de Dice de 0.756, IoU 0.607, Sensibilidade 0.662, Especificidade 0.999, Acurácia 0.999, AUC 0.831, Precisão 0.879 e F-Score 0.756 para a U-Net e Dice de 0.783, IoU 0.644, Sensibilidade 0.942, Especificidade 0.999, Acurácia 0.999, AUC 0.971, Precisão 0.670 e F-Score 0.783 para a GAN. Por fim, os resultados são promissores e animadores, os quais, tornam a metodologia proposta apta a integrar um sistema de auxílio real em ambientes clínicos reais.