En los últimos años, las redes neuronales convolucionales (CNN) han sido ampliamente utilizadas en la reducción de ruido en imágenes por su alto rendimiento. Una dificultad al aplicar la CNN a la reducción de ruido en imágenes médicas, como la reducción de moteado en la imagen de tomografía de coherencia óptica (OCT), es que se requiere una gran cantidad de datos de alta calidad para el entrenamiento, lo cual es una limitación inherente para la eliminación de moteado en OCT. Recientemente, se han propuesto redes de "deep image prior" (DIP) para la restauración de imágenes sin pre-entrenamiento, ya que las estructuras de CNN tienen la capacidad intrínseca de capturar las estadísticas de bajo nivel de una sola imagen. Sin embargo, el DIP tiene dificultades para encontrar un buen equilibrio entre mantener detalles y suprimir el ruido de moteado. Inspirado en el DIP, en este artículo se propone una estadística no local ordenada que mide la autocorrelación de la señal en las diferencias entre la imagen construida y la imagen de entrada para la restauración de imágenes de OCT. Al agregar la estadística no local ordenada como una pérdida de regularización en el aprendizaje de DIP, las redes de CNN capturan más estadísticas de imagen de bajo nivel en el proceso de restauración de imágenes de OCT. Los resultados experimentales demuestran el rendimiento superior del método propuesto sobre otros métodos de eliminación de moteado de vanguardia, en términos de métricas objetivas y calidad visual.