1.一种面向快速MRI的深度神经网络的多尺度序贯训练方法，其特征在于，所述方法包括以下步骤：

步骤1令f(·；Θ)表示对k空间中的任意u倍欠采样的MR图像 进行重建的深度神经网络，这里，Θ为f(·；Θ)的参数集， 表示MR图像所在的k空间， 为yu的维度，N为全采样的MR图像 的维度，表示MR图像所在的像素空间；本发明中，将k空间中的MR图像的维度称为其尺度；yu和x存在如下关系：yu＝Suy＝SuFx，M×N

其中， 表示在k空间中的全采样图像，Su∈{0，1} 表示对y进行u倍欠采样的掩码矩阵， 为傅里叶变换矩阵，用于将MR图像从像素空间变换到k空间；

★

步骤2基于多尺度序贯训练方法训练f(·；Θ)，得到Θ的最优参数集Θ 。

2.如权利要求1所述的面向快速MRI的深度神经网络多尺度序贯训练方法，其特征在于，所述步骤2的步骤如下：步骤2.1构建用于训练深度神经网络f(·；Θ)的多尺度的MR图像集T＝{T1，T2，…，TD}，这里， Td表示尺度为 的训练子集，且各训练子集Td的尺度存在如下关系：

M1＞M2＞…＞MD＝M；

Td通过如下方式构建：

其中，Γ＝{1，2，…，G}为训练样本的索引集，G为训练样本的个数， 为第g张全采样的MR图像， 为第g张尺度为 的MR图像，训练子集Td的尺度由 的尺度决定， 通过如下方式构建：其中， 表示对k空间中的MR图像进行ud倍欠采样的掩码矩阵；

步骤2.2构建深度神经网络f(·；Θ)的验证集V＝{V1，V2，…，VD}这里，Λ＝{1，2，…，L}为验证样本的索引集，L为验证样本的个数；

(0)

步骤2.3令d＝0，随机初始化f(·；Θ)的参数集Θ为Θ ；

步骤2.4令迭代期数(Epoch)e＝0，迭代次数t＝0，d＝d+1，取训练子集Td为当前阶段的训练集；

步骤2.5令e＝e+1，训练批次b＝0，将Td中训练样本的索引集Γ随机分割为B个不相交的子集：

步骤2.6令t＝t+1，训练批次b＝b+1， 计算步骤2.7通过梯度下降法，优化如下损失函数其中， 为损失函数；

(t)

步骤2.8在验证集Vd上评估深度神经网络f(·；Θ )的质量：其中，Q(·，·)为质量评估函数；

步骤2.9迭代执行上述步骤2.6～步骤2.8，直至b＝B；

(d) (d)

步骤2.10迭代执行上述步骤2.5～步骤2.9，直至e＝E ，这里E 为预设的最大训练期数；

(d) (d)

步骤2.11选取当前深度神经网络f(·；Θ)的最优参数集Θ ＝Θ(t )，其中，(0) (d)

步骤2.12令Θ ＝Θ ，迭代执行上述步骤2.4～步骤2.11，直至d＝D；

★ (D)

步骤2.13选取深度神经网络f(·；Θ)的最优参数集Θ ＝Θ 。