Le débruitage d’images joue un rôle fondamental dans l’analyse d’images médicales. Dans de nombreux cas, il peut accélérer considérablement le processus diagnostique en améliorant la qualité perceptive des échantillons d’images bruitées. Toutefois, malgré la large applicabilité du débruitage d’images médicales, les méthodes existantes présentent des limites quant à leur capacité à traiter la diversité des types de bruit présents dans les images médicales multidisciplinaires. Cette étude atténue ce défi en apprenant le bruit résiduel à partir d’un volume important d’échantillons de données. En outre, la méthode proposée accélère le processus d’apprentissage en introduisant un nouveau réseau profond dont l’architecture exploite la corrélation des caractéristiques, connue sous le nom de mécanisme d’attention, tout en combinant ces dernières avec des caractéristiques résiduelles affinées spatialement. Les résultats expérimentaux montrent que la méthode proposée surpasse de manière significative les approches existantes, tant sur le plan quantitatif que qualitatif. En outre, elle est capable de traiter efficacement le bruit réel observé dans les images du monde réel, tout en améliorant les performances de diverses tâches d’analyse d’images médicales, sans générer d’artefacts visuellement perturbants.