1.图像放大：图像右侧（1/5区域），按下鼠标左键，上下移动。
2.图像移动：图像右下角，按下鼠标左键，上下左右移动。
3.调整对比：图像左侧（4/5区域），按下鼠标左键，上下左右移动。
4.中心完全采样（N条线）：K空间中心有多少条线的数据是完全采样的。比例越高，重建图像越清晰。
5.随机高斯噪声：图像添加随机高斯噪声的程度
● 打开一个图像文件，点击“重建”按钮。
● 注意：
1.该软件只是为了研究深度神经网络去噪原理及实现，而编写的简单软件，不是一个真正的生产力工具。
2.训练的数据是256x256矩阵的磁共振7T磁共振头部横断位图像，总计50张。训练时，加入随机高斯噪声。由于算力限制，训练的图像均被减小分辨率为256x256,并且去噪模型并没有训练为最优化。
3.虽然只是一个粗糙的模型。相对于传统去噪技术，用于随机噪声的头部T1对比的图像去噪（压缩包里有测试图像）有着明显的优势。
●深度学习重建的问题
1.深度学习去噪对训练集图像数据特别敏感（训练集数据：建立模型时，给计算机用于学习的图像数据）即：如果用于去噪的图像是计算机建立模型时没有见过的解剖部位、对比权重甚至数值分布，去噪的效果会非常差。
2.深度学习去噪对噪声严重程度非常敏感。即：如果用户去噪的图像的噪声严重程度与建立模型时，用于学习的图像的采样比例差距较大，去噪效果也会变差。
3.如果在算力足够，图像数据足够的情况下，深度学习去噪的效果会如何？我自己没有尝试过，从个人的直觉来看，随着图像数据的增多，模型的泛化性可能会提升，但是对于总体图像去噪效果可能会变差，也就是说如果噪声较大的图像，可能去噪会不理想。
● 下载ZIP软件包，解压缩
● 无需安装，直接运行DL-Denoise.exe
