Propósito: Los artefactos de resonancia magnética (MRI) inducidos por el movimiento pueden deteriorar la calidad de la imagen y reducir la precisión diagnóstica, pero el movimiento de los sujetos humanos es inevitable e incluso puede ser causado por movimientos fisiológicos involuntarios. Los métodos de corrección de movimiento basados en el aprendizaje profundo podrían proporcionar una solución. Sin embargo, la mayoría de los estudios se han basado en la aplicación directa de modelos existentes y los modelos entrenados rara vez son accesibles. Por lo tanto, nuestro objetivo es desarrollar y evaluar un método basado en el aprendizaje profundo (Motion Correction-Net, o MC-Net) para suprimir artefactos de movimiento en escáneres de resonancia magnética cerebral. Métodos: Se utilizaron un total de 57 sujetos, proporcionando 20,889 cortes en cuatro conjuntos de datos. Además, se adquirieron secuencias 3T 3D sagitales de gradiente-eco rápido preparadas por magnetización (MP-RAGE) y 2D axiales de inversión de atenuación de fluidos (FLAIR). El MC-Net se derivó de un UNet combinado con una función de pérdida multi-etapa de dos etapas. Se utilizaron imágenes cerebrales axiales ponderadas en T1 contaminadas con movimientos sintéticos para entrenar la red y eliminar artefactos de movimiento. La evaluación utilizó imágenes simuladas axiales, coronales y sagitales ponderadas en T1 y T2 no vistas durante el entrenamiento, así como imágenes ponderadas en T1 con artefactos de movimiento de escaneos reales. Los índices de rendimiento incluyeron la relación pico-señal-ruido (PSNR), el índice de similitud estructural (SSIM) y las puntuaciones de lectura visual de tres lectores clínicos ciegos. Se utilizó una prueba de rango signado de Wilcoxon de un lado para comparar las puntuaciones de los lectores, con < 0.05 considerado significativo. Se calcularon coeficientes de correlación intraclase (ICC) para evaluaciones entre evaluadores. Resultados: El MC-Net superó a otros métodos en términos de PSNR y SSIM para el conjunto de pruebas axiales de T1. El MC-Net mejoró significativamente la calidad de todas las imágenes ponderadas en T1 para todas las direcciones (es decir, la SSIM media de los cortes axiales, sagitales y coronales mejoró de 0.77, 0.64 y 0.71 a 0.92, 0.75 y 0.84; el PSNR medio mejoró de 26.35, 24.03 y 24.55 a 29.72, 24.40 y 25.37, respectivamente) y para artefactos de movimiento simulados y reales, tanto utilizando medidas cuantitativas como puntuaciones visuales. Sin embargo, MC-Net tuvo un rendimiento deficiente para imágenes con contraste no entrenado ponderado en T2 porque el contraste T2 no se vio durante el entrenamiento y es diferente del contraste T1. Conclusión: El propuesto MC-Net de dos etapas multi-pérdida puede suprimir efectivamente artefactos de movimiento en MRI cerebral sin comprometer la calidad de la imagen. Dada la eficiencia de MC-Net (con un tiempo de procesamiento de imagen única de ~40 ms), potencialmente se puede utilizar en entornos clínicos.