Es laborioso adquirir datos completos mediante la codificación de fase completa en dos direcciones ortogonales junto con una dirección de codificación de frecuencia. El submuestreo en el espacio k 3D es prometedor para acelerar dicho proceso de MRI 3D. Aunque el submuestreo 3D se puede realizar según una densidad de probabilidad predefinida, el método basado en densidad no es óptimo. Debido a la gran cantidad de datos 3D y al costo computacional, es un desafío realizar el submuestreo 3D basado en datos y aprendizaje y la posterior reconstrucción 3D. Para abordar este desafío, este documento propone una red neuronal profunda llamada EEUR-Net, realizada mediante la optimización de patrones de submuestreo específicos para los datos de espacio k 3D completamente muestreados. De manera innovadora, nuestro algoritmo de submuestreo emplea un enfoque de aprendizaje profundo de extremo a extremo para optimizar los patrones de codificación de fase y utiliza un U-Net 3D para la reconstrucción de imágenes de datos submuestreados. A través del entrenamiento de extremo a extremo, obtenemos un patrón de submuestreo 3D optimizado, que mejora significativamente la calidad de la imagen reconstruida bajo el mismo factor de aceleración. Una serie de experimentos en un conjunto de datos de MRI de rodilla demuestran que, en comparación con los esquemas de submuestreo aleatorio uniforme estándar, radial, de Poisson y cartesiano equiespaciado, nuestro patrón de submuestreo aprendido de extremo a extremo mejora considerablemente la calidad de la reconstrucción de imágenes de MRI submuestreadas.