Recientemente, el cifrado de imágenes médicas ha ganado especial atención debido a la naturaleza y sensibilidad de los datos médicos y a la falta de cifrado de imágenes efectivo utilizando técnicas de cifrado innovadoras. Varios esquemas de cifrado han sido recomendados y desarrollados en un intento por mejorar el cifrado de imágenes médicas. La mayoría de estos estudios se basan en técnicas de cifrado convencionales. Sin embargo, dichas mejoras han venido acompañadas de una mayor complejidad computacional y un procesamiento más lento para los procesos de cifrado y descifrado. Como alternativa, la participación de modelos inteligentes como el aprendizaje profundo junto con esquemas de cifrado ha mostrado resultados más efectivos, especialmente cuando se utilizan con imágenes digitales. Este documento tiene como objetivo reducir y cambiar los datos transferidos entre las partes interesadas y superar el problema de sacar conclusiones negativas de imágenes médicas cifradas. Para lograrlo, el objetivo era pasar del dominio de cifrar una imagen a cifrar las características de una imagen, que se extraen como valores de números flotantes. Por lo tanto, proponemos un esquema de cifrado de imágenes basado en aprendizaje profundo utilizando la técnica de autoencoder (AE) y el estándar de cifrado avanzado (AES). Específicamente, se supone que el esquema de cifrado propuesto debe cifrar el resumen de la imagen médica preparado por el codificador del modelo de autoencoder en el lado de cifrado. En el lado de descifrado, se utiliza el decodificador análogo del auto-decodificador después de descifrar los datos transportados. El autoencoder se utilizó para mejorar la calidad de imágenes médicas corruptas con diferentes tipos de ruido. Además, investigamos los puntajes de similitud de estructura (SSIM) y error cuadrático medio (MSE) para el modelo propuesto aplicando cuatro tipos diferentes de ruido: sal y pimienta, moteado, Poisson y Gaussiano. Se ha observado que para todos los tipos de ruido agregados, el decodificador redujo este ruido en las imágenes resultantes. Finalmente, la evaluación del rendimiento demostró que nuestro sistema propuesto mejoró la sobrecarga de cifrado/descifrado en un 50-75% en comparación con otros modelos existentes.