Este trabajo presenta una técnica de eliminación de ruido basada en aprendizaje profundo para acelerar la adquisición de imágenes de resonancia magnética con difusión de alto valor para el cáncer de recto. Se desarrolló una red neuronal convolucional de eliminación de ruido (DCNN) con una función de pérdida combinada L1-L2 para eliminar el ruido de los datos de resonancia magnética con difusión de alto valor adquiridos con menos repeticiones (NEX: número de excitaciones) utilizando la imagen de bajo valor como guía anatómica. DCNN fue entrenado utilizando 85 conjuntos de datos adquiridos en pacientes con cáncer de recto y probado en 20 conjuntos de datos diferentes con NEX = 1, 2 y 4, correspondientes a factores de aceleración de 16, 8 y 4, respectivamente. La calidad de la imagen fue evaluada cualitativamente por radiólogos expertos en cuerpo. El lector 1 calificó una calidad de imagen general similar entre las imágenes con NEX = 1 y NEX = 2, que fueron ligeramente inferiores a la referencia. El lector 2 calificó una calidad similar entre NEX = 1 y la referencia, mientras que una mejor calidad para NEX = 2. Las imágenes denoised con una aceleración de cuatro veces (NEX = 4) recibieron incluso calificaciones más altas que la referencia, lo cual se debe en parte al efecto del movimiento relacionado con el gas en el recto, que afecta adquisiciones más largas. La técnica de eliminación de ruido propuesta mediante aprendizaje profundo puede permitir una aceleración de ocho veces con una calidad de imagen similar (calidad de imagen promedio = 2.8 +/- 0.5) y una aceleración de cuatro veces con una calidad de imagen más alta (3.0 +/- 0.6) que el estándar clínico (2.5 +/- 0.8) para mejorar el diagnóstico del cáncer de recto.