La técnica de angiografía de tomografía de coherencia óptica (OCTA) es una técnica popular para la imagen de redes microvasculares, pero la calidad de imagen de OCTA se ve comúnmente afectada por artefactos de movimiento. El aprendizaje profundo (DL) se ha utilizado para generar imágenes de OCTA a partir de imágenes de OCT estructurales, sin embargo, persisten limitaciones, como la baja calidad de la imagen de etiqueta causada por el movimiento y el uso insuficiente de información de vecindario. En este estudio, se propuso un U-Net basado en atención que incorpora tanto imágenes de OCT estructurales repetidas como adyacentes en la entrada de la red y imágenes de OCTA de etiqueta de alta calidad en el entrenamiento para generar imágenes de OCTA de alta calidad con supresión de artefactos de movimiento. Se propuso un método de fusión de imágenes de posición adyacente basado en correlación de ventana deslizante (SWCB-AP) para generar imágenes de etiqueta de OCTA de alta calidad con ruido de movimiento suprimido. Se compararon seis esquemas de DL diferentes con diversas configuraciones de entradas de red e imágenes de etiqueta para demostrar la superioridad del método propuesto. La gravedad del artefacto de movimiento se evaluó mediante un índice de ruido de movimiento en B-scan (MNI-B) y en imágenes de OCTA en cara (MNI-C), que se definieron específicamente en este estudio con el propósito de evaluar la capacidad de varios modelos de DL en la supresión de ruido de movimiento. Los resultados experimentales en un conjunto de datos de imágenes de OCTA de pliegues ungueales mostraron que el método de DL propuesto generó los mejores resultados con una relación pico-señal a ruido (PSNR) de 32.666 +/- 7.010 dB, una similitud estructural (SSIM) de 0.926 +/- 0.051, un error absoluto medio (MAE) de 1.798 +/- 1.575, y MNI-B de 0.528 +/- 0.124 en imágenes de OCTA de B-scan y una relación contraste-ruido (CNR) de 1.420 +/- 0.291 y MNI-C de 0.156 +/- 0.057 en imágenes de OCTA en cara. Nuestro enfoque de DL propuesto generó imágenes de OCTA con un contraste de flujo sanguíneo mejorado y artefactos de movimiento reducidos, que podrían utilizarse como módulo fundamental de procesamiento de señales en la generación de imágenes de OCTA de alta calidad a partir de imágenes de OCT estructurales.