Los dispositivos de adquisición de imágenes médicas son susceptibles de producir imágenes borrosas debido a la respiración y el movimiento del paciente. A pesar de tener un impacto notable en la eliminación de desenfoques por movimiento ciego, la eliminación de desenfoques en imágenes médicas aún está poco expuesta. Este estudio propone una red profunda recurrente a escala de extremo a extremo para aprender la eliminación de desenfoques a partir de imágenes médicas multimodales. La red propuesta comprende un nuevo bloque denso residual con atención espacial-asimétrica para recuperar información relevante mientras aprende la eliminación de desenfoques en imágenes médicas. El rendimiento de los métodos propuestos ha sido evaluado de manera densa y comparado con los métodos de eliminación de desenfoques existentes. Los resultados experimentales demuestran que el método propuesto puede eliminar el desenfoque de las imágenes médicas sin ilustrar artefactos visualmente perturbadores. Además, supera a los métodos profundos de eliminación de desenfoques en la evaluación cualitativa y cuantitativa por un margen notable. La aplicabilidad del método propuesto también ha sido verificada al incorporarlo en diversas tareas de análisis de imágenes médicas como la segmentación y la detección. El método propuesto de eliminación de desenfoques ayuda a acelerar el rendimiento de tales tareas de análisis de imágenes médicas al eliminar el desenfoque de las entradas médicas borrosas.