1.一种基于多分辨率学习策略的磁共振图像超分辨率重建方法，其特征在于，包括：获取磁共振图像，将所述磁共振图像输入到预先建立的神经网络模型中；其中，所述磁共振图像为归一化处理后的低分辨率图像，所述神经网络模型包括第一卷积层、级联的多尺度特征映射单元、多分辨率上采样反卷积层和多分辨率学习层；所述多尺度特征映射单元包括多个并联的同一尺寸的卷积核，以及与所述同一尺寸的卷积核串联的不同尺寸的卷积核；

通过所述第一卷积层提取所述低分辨率图像的第一特征图，并通过第一个多尺度特征映射单元提取所述第一卷积层输入的第一特征图的多尺度特征信息，并将所述多尺度特征信息对应的特征图与所述第一特征图进行叠加，得到第一个多尺度特征映射单元的叠加特征图；

将所述叠加特征图作为下一个多尺度特征映射单元的输入，并通过所述多尺度特征映射单元进行特征提取后，与所述第一特征图进行叠加，得到所述多尺度特征映射单元的叠加特征图；

所述通过第一个多尺度特征映射单元提取所述第一卷积层输入的第一特征图的多尺度特征信息的步骤，包括：通过各个并联的同一尺寸的卷积核同时提取所述第一特征图中的像素特征，得到第一特征信息；

将所述第一特征信息输入至所述串联的不同尺寸的卷积核中，得到第二特征信息；

将所述第二特征信息中与所述第一特征信息的输出通道数相同的特征信息进行融合，得到多尺度特征信息；

其中，所述多尺度特征信息的输出通道数为输出通道数相同的所述第一特征信息和所述第二特征信息的输出通道数之和；

并且，所述多尺度特征信息的输出通道数和尺寸大小与所述第一特征图的输入通道数和尺寸大小均保持一致；

利用所述多分辨率上采样反卷积层对各个叠加特征图进行多分辨率上采样，得到多个第二特征图，将所述第二特征图输入到所述多分辨率学习层中，通过所述多分辨率学习层对所述第二特征图进行加权融合，重建出高分辨率的磁共振图像；

将权重的初始值设置为1/N，得到的最终的高分辨率磁共振图像的公式为：

其中，表示超分辨率重建出的最终的高分辨率磁共振图像， 表示第i个多尺度特征映射单元的叠加特征图经过多分辨率上采样得到的第二特征图，wi表示第i个多尺度特征映射单元对应的第二特征图的贡献度，即 的权重；

所述神经网络模型的总的损失函数由多尺度特征映射单元的损失以及多分辨率学习层的损失这两部分组成，即其中，y表示神经网络模型的期望输出，即真实高分辨率图像；当期望重建出的最终的高分辨率磁共振图像更接近于真实高分辨率图像时，也就意味着要让总损失接近于零，因此，需要通过自适应学习的方式，不断地更新总损失的值，这样权重的值也就自动随着总损失的更新而更新，以实现最终的超分辨率重建。

2.根据权利要求1所述的基于多分辨率学习策略的磁共振图像超分辨率重建方法，其特征在于，将所述第一特征信息输入至所述串联的不同尺寸的卷积核中，得到第二特征信息的步骤之前，还包括：对所述串联的不同尺寸的卷积核采用自适应填充的方式，以使所述第二特征信息对应的特征图的尺寸大小与所述第一特征信息对应的特征图的尺寸大小保持一致。

3.根据权利要求1所述的基于多分辨率学习策略的磁共振图像超分辨率重建方法，其特征在于，利用所述多分辨率上采样反卷积层对各个叠加特征图进行多分辨率上采样的步骤之前，还包括：通过所述多分辨率上采样反卷积层对所述低分辨率图像进行反卷积操作，得到所述低分辨率图像的第一上采样特征图。

4.根据权利要求3所述的基于多分辨率学习策略的磁共振图像超分辨率重建方法，其特征在于，利用所述多分辨率上采样反卷积层对各个叠加特征图进行多分辨率上采样，得到多个第二特征图的步骤，包括：利用所述多分辨率上采样反卷积层对各个叠加特征图进行反卷积操作，得到各个多尺度特征映射单元的第二上采样特征图；

将所述第一上采样特征图分别与各个第二上采样特征图进行融合，得到多个第二特征图。

5.根据权利要求1所述的基于多分辨率学习策略的磁共振图像超分辨率重建方法，其特征在于，将所述第二特征图输入到所述多分辨率学习层中，通过所述多分辨率学习层对所述第二特征图进行加权融合，重建出高分辨率的磁共振图像的步骤，包括：利用所述神经网络模型的期望输出在所述多分辨率学习层中进行自适应学习，以确定各个第二特征图对应的重建的磁共振图像的贡献度；

根据所述第二特征图对应的贡献度对各个第二特征图进行加权融合，重建出高分辨率的磁共振图像。

6.一种基于多分辨率学习策略的磁共振图像超分辨率重建装置，其特征在于，包括：数据获取模块，用于获取磁共振图像，将所述磁共振图像输入到预先建立的神经网络模型中；其中，所述磁共振图像为归一化处理后的低分辨率图像，所述神经网络模型包括第一卷积层、级联的多尺度特征映射单元、多分辨率上采样反卷积层和多分辨率学习层；所述多尺度特征映射单元包括多个并联的同一尺寸的卷积核，以及与所述同一尺寸的卷积核串联的不同尺寸的卷积核；

数据处理模块，用于通过所述第一卷积层提取所述低分辨率图像的第一特征图，并通过第一个多尺度特征映射单元提取所述第一卷积层输入的第一特征图的多尺度特征信息，并将所述多尺度特征信息对应的特征图与所述第一特征图进行叠加，得到第一个多尺度特征映射单元的叠加特征图；

将所述叠加特征图作为下一个多尺度特征映射单元的输入，并通过所述多尺度特征映射单元进行特征提取后，与所述第一特征图进行叠加，得到所述多尺度特征映射单元的叠加特征图；

所述数据处理模块中通过第一个多尺度特征映射单元提取所述第一卷积层输入的第一特征图的多尺度特征信息，包括：通过各个并联的同一尺寸的卷积核同时提取所述第一特征图中的像素特征，得到第一特征信息；

将所述第一特征信息输入至所述串联的不同尺寸的卷积核中，得到第二特征信息；

将所述第二特征信息中与所述第一特征信息的输出通道数相同的特征信息进行融合，得到多尺度特征信息；

其中，所述多尺度特征信息的输出通道数为输出通道数相同的所述第一特征信息和所述第二特征信息的输出通道数之和；

并且，所述多尺度特征信息的输出通道数和尺寸大小与所述第一特征图的输入通道数和尺寸大小均保持一致；

图像重建模块，用于利用所述多分辨率上采样反卷积层对各个叠加特征图进行多分辨率上采样，得到多个第二特征图，将所述第二特征图输入到所述多分辨率学习层中，通过所述多分辨率学习层对所述第二特征图进行加权融合，重建出高分辨率的磁共振图像；

将权重的初始值设置为1/N，得到的最终的高分辨率磁共振图像的公式为：

其中，表示超分辨率重建出的最终的高分辨率磁共振图像， 表示第i个多尺度特征映射单元的叠加特征图经过多分辨率上采样得到的第二特征图，wi表示第y个多尺度特征映射单元对应的第二特征图的贡献度，即 的权重；

所述神经网络模型的总的损失函数由多尺度特征映射单元的损失以及多分辨率学习层的损失这两部分组成，即其中，y表示神经网络模型的期望输出，即真实高分辨率图像；当期望重建出的最终的高分辨率磁共振图像更接近于真实高分辨率图像时，也就意味着要让总损失接近于零，因此，需要通过自适应学习的方式，不断地更新总损失的值，这样权重的值也就自动随着总损失的更新而更新，以实现最终的超分辨率重建。

7.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项所述基于多分辨率学习策略的磁共振图像超分辨率重建方法的步骤。

8.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项所述基于多分辨率学习策略的磁共振图像超分辨率重建方法的步骤。