1.一种基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法包括：通过K空间中间区域全采样而周围随机降采样；

对全采样区域通过算法多次伪随机降采样采集训练样本以训练卷积神经网络自编码器；利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据；自编码器由编码器和解码器两部分组成；其中，编码器含有三层卷积层，每一层卷积层后有一层池化层，解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；解码网络输出层通过一个正切激励函数；

利用反傅里叶变换得到图像并通过去除算法去除噪声。

2.如权利要求1所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法具体包括：(1)通过对磁共振K空间中间区域全采样，周围区域随机降采样；

(2)对K空间中间全采样数据，通过算法进行伪随机降采样；

(3)对于未采集到的K空间点置0；

(4)在伪随机采样后的K空间中取大小为M*N的窗口数据，作为训练样本的输入；对应的伪随机采样前的数据为训练样本的输出；

(5)多次重复伪随机采样，得到充足的训练样本；

(6)利用卷积神经网络自编码器进行模型训练；

(7)利用训练好的模型对周围降采样的K空间数据进行重建；

(8)通过快速傅里叶反变换得到图像；

(9)通过去噪算法去除图像中的噪声。

3.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法通过对磁共振K空间中间区域全采样而周围区域随机降采样。

4.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法K空间中间区域全采样数据，通过算法进行伪随机降采样。

5.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法对于未采集到的K空间点置0。

6.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法在伪随机采样后的K空间中依次取大小为M*N的窗口数据，作为一例训练样本的输入；对应的伪随机采样前的数据为此例训练样本的输出。

7.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法多次重复伪随机采样，并每次取M*N的窗口数据，得到充足的训练样本；M为频率编码方向大小，8

8.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法提取训练样本的每个K空间数据的实部和虚部值。

9.如权利要求2所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法对实部和虚部数据分别利用卷积神经网络自编码器进行模型训练；

卷积神经网络自编码器由编码器和解码器构成；

编码器由三层卷积层和池化层构成；

解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；

解码网络输出层通过一个正切激励函数；

自编码网络输出的值与全采样的K空间数据值的均方根误差为损失函数，利用可变交替方向算法优化算法更新网络模型的权重参数；

所述基于深度卷积神经网络的磁共振成像方法利用训练好的模型对周围降采样的K空间的实部和虚部数据分别进行重建；

将重建的实部和虚部数据重组成复数K空间数据，并与全采样区域的K空间数据合并组成一幅完整的K空间数据。

10.一种应用权利要求1～9任意一项所述基于深度卷积神经网络的磁共振成像方法的磁共振成像控制系统。