El filtrado de imágenes desempeña un papel destacado en el análisis de imágenes médicas. En muchos casos, puede acelerar drásticamente el proceso de diagnóstico al mejorar la calidad perceptual de muestras de imágenes ruidosas. Sin embargo, a pesar de la extensa practicidad del filtrado de imágenes médicas, los métodos de eliminación de ruido existentes ilustran deficiencias para abordar la diversa gama de ruidos presentes en las imágenes médicas multidisciplinarias. Este estudio alivia esta desafiante tarea de eliminación de ruido al aprender el ruido residual de una amplia cantidad de muestras de datos. Además, el método propuesto acelera el proceso de aprendizaje al introducir una nueva red profunda, donde la arquitectura de la red explota la correlación de características conocida como mecanismo de atención y la combina con características residuales refinadas espacialmente. Los resultados experimentales ilustran que el método propuesto puede superar significativamente los trabajos existentes tanto en comparaciones cuantitativas como cualitativas. Además, el método propuesto puede manejar el ruido de imágenes del mundo real y mejorar el rendimiento de diferentes tareas de análisis de imágenes médicas sin producir artefactos visualmente perturbadores.