医学图像失真会严重阻碍医学诊断，尤其是在磁共振成像（MRI）和计算机断层扫描（CT）图像的分析中。因此，提高诊断成像的准确性和修复受损区域对医学诊断至关重要。在过去的十年中，图像修复技术由于深度学习和多媒体信息而取得了进步。在本文中，我们提出了一种具有改进参数的深卷积自动编码器网络，作为一种鲁棒性一种修复MRI和CT图像中非解剖物体的方法。基于范例方法的传统方法远不如深度学习方法有效在捕捉高级特征方面。然而，修复后的区域会变得模糊，并且具有全球不一致性。为了处理模糊问题，我们增强了网络通过在编码器和解码器堆栈中的镜像层之间引入跳跃连接进行建模。这使得修复区域的生成过程可以直接利用处理后图像的低层特征信息。为了提供像素精确和本地全局内容一致性，使用将典型的像素级重建损失和两个对抗性损失相结合，使修复后的输出看起来更真实，并且与它的周围环境。因此，提出的方法比现有方法快得多，同时提供了前所未有的定性和定量评估修复初始得分为10.58，峰值信噪比（PSNR）为52.44，结构相似性指数（SSIM）为0.95，通用图像质量指数（UQI）为0.96，CT和MRI图像的均方误差（MSE）为40.73。这为提高图像保真度提供了一条有希望的途径，有可能促进临床决策以及神经成像实践中的患者护理。