1.一种基于多个扫描仪数据的MRI重建网络的训练方法，其特征在于，所述训练方法包括以下步骤：步骤1记目标扫描仪为第0号扫描仪，选取目标扫描仪所采集的L0个人的k空间MRI数据构成集合 其中， 表示复数域；

1 2 D

步骤2选取D个辅助扫描仪所采集的k空间MRI数据构成集合Y＝{Y ,Y ,…,Y }，其中，且Md和Nd须满足：Md>Md‑1>M0或Nd>Nd‑1>N0；

步骤3构建用于在目标扫描仪上实施MRI重建的深度神经网络模型fCNN(·；Θ)，其中，Θ为fCNN的参数集；

步骤4由上述D+1扫描仪所采集到的k空间MRI数据构建训练fCNN的训练集，对于通过如下方式构建第d个扫描仪的训练集：‑1

其中， 这里，F 表示二维逆傅里叶变换，表示对MRI的k空间数据进行u倍欠采样的掩码矩阵， 表示对进行u倍欠采样后的k空间数据；

0

步骤5将目标扫描仪的训练集X 进一步分割为训练子集 和验证子集 且令

0 1 2 D

步骤6基于上述D+1个扫描仪数据：X ,X ,X ,…,X，训练fCNN(·；Θ)，得到Θ的最优参数★集Θ ；

所述步骤6的过程如下：

(0)

步骤6.1随机初始化fCNN(·；Θ)的参数集Θ为Θ ；

步骤6.2令迭代轮数e＝1，迭代次数t＝1；

d

步骤6.3对于各扫描仪d∈{0,1,2,…,D}，将训练集X随机分割为B个子集：d d；1 d；2 d；B

X＝X ∪X …∪X ；

步骤6.4令迭代批次b＝1，选取第d＝D号扫描仪；

(t‑1)

步骤6.5对于所有的 由fCNN(·；Θ )估计 的重构图像：并构建重构图像及其全采样图像的集合：步骤6.6通过优化算法，求解如下目标式其中，l(·,·)为损失函数，优化算法为随机梯度下降法和Adam算法，采用l1范数、l2范数或Charbonnier惩罚函数，其中，Charbonnier惩罚函数定义为：其中x1、x2分别为重构图像和原始图像，∈为一个常量；

(t)

步骤6.7在验证集 上评估深度神经网络fCNN(·；Θ )的重构性能：其中，Q(·,·)为MRI图像的质量评估函数，采用峰值信噪比或结构化相似度作为质量评估函数；

步骤6.8令d＝d‑1，t＝t+1，迭代执行上述步骤6.5～步骤6.7，直至d＝0；

步骤6.9令b＝b+1，迭代执行上述步骤6.5～步骤6.8，直至b＝B；

步骤6.10令e＝e+1，迭代执行上述步骤6.3～步骤6.9，直至e＝E，这里E为预设的最大训练轮数；

步骤6.11选取当前深度神经网络fCNN(·；Θ)的最优参数集 其中，