Con el continuo avance de la tecnología de aprendizaje profundo, los algoritmos basados en U-Net para la reducción de ruido en imágenes desempeñan un papel crucial en el procesamiento de imágenes médicas. Sin embargo, la mayoría de los algoritmos de reducción de ruido en imágenes médicas basados en U-Net suelen tener tamaños de parámetros grandes, lo que plantea limitaciones significativas en aplicaciones prácticas donde los recursos computacionales son limitados o se requiere el procesamiento de datos de pacientes a gran escala. En este documento, proponemos un algoritmo de reducción de ruido en imágenes médicas llamado AsymUNet, desarrollado utilizando un marco de trabajo U-Net asimétrico y un perceptrón multicapa (MLP) reorganizado espacialmente. AsymUNet utiliza un U-Net asimétrico para reducir la carga computacional, mientras que un módulo de fusión de características a múltiples escalas mejora la interacción de características entre el codificador y el decodificador. Para preservar mejor los detalles de la imagen, los bloques MLP reorganizados espacialmente sirven como bloques de construcción principales de AsymUNet. Estos bloques extraen de manera efectiva tanto las características locales como globales de la imagen, reduciendo la dependencia del modelo en el conocimiento previo de la imagen y acelerando aún más los procesos de entrenamiento e inferencia. Los resultados experimentales demuestran que AsymUNet logra métricas de rendimiento y resultados visuales superiores en comparación con otros métodos de vanguardia.