Este estudio tuvo como objetivo eliminar artefactos de movimiento de imágenes de resonancia magnética cerebral utilizando un modelo U-Net. Además, se propuso un método de simulación para aumentar el tamaño del conjunto de datos necesario para entrenar el modelo U-Net evitando el problema de sobreajuste. Los datos de volumen fueron rotados y traducidos con intensidad y frecuencia aleatorias, en tres dimensiones, e iterados según el número de cortes en los datos de volumen. Luego, para cada corte, una parte de los datos de espacio k sin movimiento fue reemplazada por datos de espacio k con movimiento, respectivamente. Además, basándonos en los datos de espacio k transpuestos, obtuvimos imágenes de resonancia magnética con artefactos de movimiento y mapas residuales y construimos conjuntos de datos. Para una evaluación cuantitativa, se midieron el error cuadrático medio (RMSE), la relación pico-señal a ruido (PSNR), el coeficiente de correlación (CC) y el índice de calidad de imagen universal (UQI). Los modelos U-Net para la reducción de artefactos de movimiento con el conjunto de datos basado en mapas residuales mostraron el mejor rendimiento en todos los factores de evaluación. En particular, el RMSE, PSNR, CC y UQI mejoraron aproximadamente 5.35 veces, 1.51 veces, 1.12 veces y 1.01 veces, respectivamente, y el modelo U-Net con el conjunto de datos basado en mapas residuales se comparó con las imágenes directas. En conclusión, nuestro conjunto de datos basado en simulación demuestra que los modelos U-Net pueden entrenarse de manera efectiva para la reducción de artefactos de movimiento.