Aufgrund zahlreicher hardwarebedingter Mängel sind medizinische Bildaufnahmegeräte anfällig dafür, Bilder niedriger Qualität (d. h. geringe Kontrastauflösung, unangemessene Helligkeit, Rauschen usw.) zu erzeugen. Leider beeinträchtigen visuell beeinträchtigte Bilder direkt den Diagnoseprozess und erschweren die Entscheidungsfindung für medizinisches Fachpersonal erheblich. In dieser Studie wird vorgeschlagen, solche Bilder durch die Integration end-to-end-Lernstrategien zur Beschleunigung medizinischer Bildanalyseaufgaben zu verbessern. Sofern bekannt, handelt es sich hierbei um die erste Arbeit im Bereich der medizinischen Bildgebung, die die visuelle Verbesserung umfassend angeht – einschließlich Kontrastkorrektur, Helligkeitskorrektur, Rauschunterdrückung usw. – mittels eines vollständig konvolutionellen tiefen neuronalen Netzwerks. Das vorgeschlagene Netzwerk nutzt Residual-Blöcke sowie einen Residual-Gating-Mechanismus, um visuelle Artefakte zu minimieren, und wird durch eine mehrteilige Zielfunktion geleitet, um perceptuell plausibel verbesserte Bilder zu erzeugen. Die Praktikabilität der tiefen Methode zur medizinischen Bildverbesserung wurde umfassend anhand anspruchsvoller Experimente untersucht. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode bestehende Verbesserungsmethoden für verschiedene medizinische Bildmodalitäten in Bezug auf die Signal-Rausch-Verhältnis-Metrik (PSNR) um 5,00 bis 7,00 dB und in Bezug auf die DeltaE-Metrik um 4,00 bis 6,00 dB übertrifft. Darüber hinaus kann die vorgeschlagene Methode die Leistungsfähigkeit medizinischer Bildanalyseaufgaben erheblich steigern und verdeutlicht das Potenzial dieser Verbesserungsmethode für Anwendungen in der Praxis.