Medizinische Bildaufnahmegeräte sind anfällig dafür, unscharfe Bilder aufgrund von Atem- und Patientenbewegungen zu erzeugen. Obwohl Bewegungsunschärfe erheblichen Einfluss auf die blindes Bewegungsdeblurring-Verarbeitung hat, bleibt die Deblurring-Verarbeitung medizinischer Bilder nach wie vor unterrepräsentiert. Diese Studie stellt ein end-to-end-skalierendes rekurrentes tiefes Netzwerk vor, das das Deblurring aus multimodalen medizinischen Bildern lernen kann. Das vorgeschlagene Netzwerk besteht aus einem neuartigen residualen dichten Block mit räumlich-asymmetrischer Aufmerksamkeit, der es ermöglicht, relevante Informationen wiederherzustellen, während das Deblurring medizinischer Bilder gelernt wird. Die Leistungsfähigkeit des vorgeschlagenen Ansatzes wurde umfassend evaluiert und mit bestehenden Deblurring-Methoden verglichen. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode Unschärfe aus medizinischen Bildern entfernen kann, ohne visuell störende Artefakte zu erzeugen. Zudem übertrifft sie tiefes Deblurring in qualitativen und quantitativen Bewertungen deutlich. Die Anwendbarkeit des vorgeschlagenen Ansatzes wurde zudem durch dessen Integration in verschiedene Aufgaben der medizinischen Bildanalyse wie Segmentierung und Detektion bestätigt. Das vorgeschlagene Deblurring-Verfahren beschleunigt die Leistung solcher medizinischer Bildanalyse-Aufgaben, indem es Unschärfe aus unscharfen medizinischen Eingabebildern entfernt.