1.一种联合PUGAN与改进U‑net的磁共振图像重构方法，其特征在于：

步骤1、建立基于改进U‑net的生成器网络模型和基于卷积神经网络的判别器网络模型；

所述步骤1中的生成器网络模型包括依次设置的下采样部分和上采样部分；

所述的下采样部分包括四个卷积残差稠密单元，上采样部分包括四个转置卷积模块；

四个卷积残差稠密单元依次连接，欠采样磁共振图像输入到第一个卷积残差稠密单元，第四个卷积残差稠密单元的输出经第四个转置卷积模块后和第三个卷积残差稠密单元的输出通过第四合并层进行合并叠加，第四合并层的输出经第三个转置卷积模块后和第二个卷积残差稠密单元的输出通过第三合并层进行合并叠加，第三合并层的输出经第二个转置卷积模块后和第一个卷积残差稠密单元的输出通过第二合并层进行合并叠加，第二合并层的输出经第一个转置卷积模块后和欠采样磁共振图像通过第一合并层进行合并叠加输出重构磁共振图像；

每个卷积残差稠密单元均由一个生成卷积模块和四个连续的残差稠密块依次连接构成，生成卷积模块均由一个卷积层、一个批归一化层和一个激活函数依次连接构成；

每个残差稠密块均由五个连续的卷积层和一个卷积注意力模块连接构成，前四个卷积层的结尾均设置有一个激活函数，第一个卷积层的输入为残差稠密块的输入，第二个卷积层到第四个卷积层中每个卷积层的输入是将残差稠密块的输入和前面所有卷积层的输出通过合并层叠加获得的结果，第五个卷积层的输入是将残差稠密块的输入以及第一个卷积层、第二个卷积层、第四个卷积层的输出通过合并层叠加获得的结果；卷积注意力模块的输出和残差稠密块的输入再通过相加层进行像素相加作为残差稠密块的输出；

所述的卷积注意力模块由通道注意力模块和空间注意力模块构成，通道注意力模块的输入为卷积注意力模块的输入，通道注意力模块的输出再和卷积注意力模块的输入通过矩阵相乘后作为中间结果，将中间结果输入到空间注意力模块，空间注意力模块的输出和中间结果再通过矩阵相乘后作为卷积注意力模块的输出；

所述步骤1中的判别器网络模型由多个连续的判别卷积模块和一个全连接层构成，最后三个判别卷积模块组成最终判别卷积组，最终判别卷积组的输入和最终判别卷积组的输出通过合并层进行合并后输入到全连接层中；判别卷积模块均由一个卷积层、一个谱归一化层和一个激活函数依次连接构成；重构磁共振图像和全采样磁共振图像分别输入到判别器网络模型中处理获得两个判别结果；

步骤2、结合生成器网络模型和判别器网络模型共同对磁共振图像进行处理，针对生成器网络模型和判别器网络模型进行训练优化；

步骤3、利用训练后的生成器网络模型对待测的磁共振图像进行处理获得重构磁共振图像，作为磁共振图像重构结果。

2.根据权利要求1所述的一种联合PUGAN与改进U‑net的磁共振图像重构方法，其特征在于：所述的步骤2具体为：原始采集的全采样磁共振图像经过傅里叶变换，变换到频域的K空间域，进而再进行欠采样获得欠采样磁共振图像，进而将欠采样磁共振图像输入生成器网络模型处理获得重构磁共振图像，重构磁共振图像和全采样磁共振图像分别输入到判别器网络模型中获得两个判别结果结果，将两个判别结果进行处理获得判别器的损失函数结果，同时将重构磁共振图像、全采样磁共振图像以及判别结果共同处理获得组合损失，最后判别器的损失函数结果和组合损失共同用于进行优化训练，使得生成器网络模型和判别器网络模型均达到最优。

3.根据权利要求1所述的一种联合PUGAN与改进U‑net的磁共振图像重构方法，其特征在于：所述的步骤2中，针对判别器网络模型建立以下判别器损失函数，具体公式为：其中，x表示全采样磁共振图像的随机变量，z表示欠采样磁共振图像的随机变量，Pdata(x)表示随机变量x的分布，Pz(z)表示随机变量z的分布，π表示生成器网络模型重构的重构磁共振图像在总生成样本中的比例；表示数学期望， 取得最大值时的判别器网络模型即为最优模型，D()表示判别器网络模型，G()表示生成器网络模型；max表示取最大值。

4.根据权利要求3所述的一种联合PUGAN与改进U‑net的磁共振图像重构方法，其特征在于：所述的步骤2中，针对生成器网络模型建立以下生成器组合损失函数，包含像素损失、频域损失、感知损失和对抗损失，分别表示为；

其中， 表示像素损失， 表示频域损失， 表示感知损失，

表示对抗损失；当损失函数最小时的G即为最优的生成器网络模型，xt和xu分别为全采样磁共振图像和重构磁共振图像，yt和yu分别为经傅立叶变换获得的频域中的全采样磁共振图像和重构磁共振图像；fVGG16表示VGG16网络；表示数学期望，z表示欠采样磁共振图像的随机变量，z～Pz(z)表示z服从Pz(z)的分布，min表示取最小值；

再按照生成器组合损失函数处理获得组合损失：

其中，α、β、γ为第一、第二、第三权重参数。