Die Bildrauschunterdrückung spielt eine herausragende Rolle bei der medizinischen Bildanalyse. In vielen Fällen kann sie den diagnostischen Prozess erheblich beschleunigen, indem sie die visuelle Qualität rauschbehafteter Bildproben verbessert. Dennoch zeigen die derzeit verfügbaren Denoisingsmethoden trotz ihrer breiten Anwendbarkeit erhebliche Mängel bei der Bewältigung der vielfältigen Rauscharten, die in multidisziplinären medizinischen Bildern auftreten. Diese Studie adressiert diese herausfordernde Aufgabe der Bildrauschunterdrückung, indem sie den Restrausch aus einer umfangreichen Menge an Datensamples lernt. Zudem beschleunigt der vorgeschlagene Ansatz den Lernprozess durch die Einführung eines neuartigen tiefen Netzwerks, dessen Architektur die sogenannte Aufmerksamkeitsmechanik nutzt, um Merkmalskorrelationen auszunutzen, und diese mit räumlich verfeinerten Residualmerkmalen kombiniert. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz die bestehenden Methoden sowohl quantitativ als auch qualitativ signifikant übertrifft. Zudem ist die Methode in der Lage, realwelttypisches Bildrauschen zu behandeln und die Leistung verschiedener medizinischer Bildanalyseaufgaben zu verbessern, ohne dabei visuell störende Artefakte zu erzeugen.