La tecnología de imágenes médicas juega un papel crucial en el diagnóstico y tratamiento de enfermedades. Sin embargo, las imágenes médicas capturadas a menudo tienen una baja resolución (LR) debido a las limitaciones de la condición de imagen. La tecnología de superresolución (SR) es una solución factible para mejorar la resolución de una imagen médica sin aumentar el costo del hardware. Sin embargo, los métodos de SR existentes a menudo ignoran los detalles de alta frecuencia, lo que resulta en bordes borrosos y una percepción visual insatisfactoria. En este documento, se propone una red de retroalimentación de atención múltiple con compuertas (GAMA) para la SR de imágenes médicas. Específicamente, se emplea una red de retroalimentación múltiple con compuertas como columna vertebral para extraer características jerárquicas. Mientras tanto, se introduce un módulo de extracción de características de atención en capas (LAFE) para refinar el mapa de características. Además, se construye un módulo de reconstrucción de atención en el espacio de canales (CSAR) para mejorar la capacidad representativa del mapa de características semánticas. Además, se adapta una pérdida de varianza de gradiente como regularización para guiar el aprendizaje del modelo y regularizarlo en la generación de una imagen de alta resolución fiel con texturas ricas y bordes nítidos. Los experimentos verifican la efectividad del GAMA propuesto en comparación con los enfoques más avanzados.