La imagen médica es un proceso complejo que captura imágenes creadas por rayos X, imágenes de ultrasonido, angiografía, etc. Durante el proceso de imagen, también captura ruido de imagen durante la adquisición de la imagen, algunos de los cuales son extremadamente corrosivos, creando una perturbación que resulta en degradación de la imagen. El trabajo propuesto aborda el desafío de eliminar el ruido blanco aditivo gaussiano corrosivo de las imágenes de tomografía computarizada (TC) mientras se preservan los detalles finos. El enfoque propuesto se sintetiza mediante la amalgama del concepto de ruido de método con un marco de aprendizaje profundo de una red neuronal convolucional (CNN). Las imágenes corruptas se obtienen mediante la adición explícita de ruido blanco aditivo gaussiano en múltiples niveles de varianza de ruido (= 10, 15, 20, 25). Las imágenes desenruidas obtenidas se evalúan según su calidad visual y métricas cuantitativas, como la relación señal-ruido pico (PSNR) y el índice de similitud estructural (SSIM). Estas métricas para las imágenes de TC desenruidas se comparan luego con sus valores respectivos para la imagen de TC de referencia. El valor promedio de PSNR del método propuesto es 25.82, el valor promedio de SSIM es 0.85 y el tiempo computacional promedio es 2.8760. Para comprender mejor la eficacia del enfoque propuesto, se traza y compara un perfil de intensidad de las imágenes médicas desenruidas y originales. Para probar aún más el rendimiento de la metodología propuesta, los resultados obtenidos también se comparan con los de otros métodos no tradicionales. El análisis crítico de los resultados muestra la eficiencia loable de la metodología propuesta en la eliminación del ruido gaussiano en las imágenes médicas de TC corruptas. Este enfoque se puede utilizar en múltiples áreas pragmáticas de aplicación en el campo del procesamiento de imágenes médicas.