La imagen médica juega un papel esencial en la atención médica moderna, proporcionando herramientas no invasivas para diagnosticar y monitorear diversas condiciones médicas. Sin embargo, las limitaciones de resolución del hardware de imagen a menudo resultan en imágenes subóptimas, lo que puede obstaculizar la precisión de la toma de decisiones clínicas. Las técnicas de superresolución de imagen única (SISR) ofrecen una solución al reconstruir imágenes de alta resolución (HR) a partir de contrapartes de baja resolución (LR), mejorando la calidad visual de las imágenes médicas. En este artículo, proponemos una Red de Aprendizaje de Características Residuales Mejorada (RFLN) diseñada específicamente para la imagen médica. Nuestras contribuciones incluyen reemplazar los bloques de características locales residuales con bloques residuales estándar, aumentar la profundidad del modelo para una mejor extracción de características e incorporar mecanismos de atención espacial mejorada (ESA) para refinar la selección de características. Experimentos extensos en conjuntos de datos de imágenes médicas demuestran que el modelo propuesto logra un rendimiento superior en términos de métricas cuantitativas, como PSNR y SSIM, y calidad visual cualitativa en comparación con modelos existentes de vanguardia. El RFLN mejorado no solo mitiga eficazmente el ruido, sino que también preserva detalles anatómicos críticos, lo que lo convierte en una solución prometedora para aplicaciones de imagen médica de alta precisión.