1.一种基于压缩感知的核磁共振成像方法，其特征在于，包括：在核磁共振设备中按照预设的采样矩阵采集K空间的亚采样数据；

将所述亚采样数据输入至预设的深度神经网络模型，以使所述深度神经网络模型对所述亚采样数据进行数据重建，并输出核磁共振图像；

其中，所述深度神经网络模型是基于多个样本亚采样数据训练获得的，所述样本亚采样数据是利用一随机生成的高斯矩阵对样本全采样数据进行压缩获得的；所述高斯矩阵为所述采样矩阵；

所述深度神经网络模型，包括依次连接的四个数据重建模块、加法模块以及卷积模块；

其中，每个所述数据重建模块均包括依次连接的第一卷积子模块、全连接子模块以及第二卷积子模块；所述全连接子模块中包含有至少两个相邻连接的全连接层；所述第一卷积子模块中的卷积层的卷积核大小不低于5*5；所述加法模块用于将第一个数据重建模块的输入和最后一个数据重建模块的输出相加。

2.根据权利要求1所述的方法，其特征在于，所述全连接子模块，包括依次连接的第一Reshape层、第一全连接单元、第二全连接单元、第三全连接单元以及第二Reshape层；

其中，所述第一全连接单元、所述第二全连接单元以及所述第三全连接单元的神经元个数比例为1:2:4。

3.根据权利要求2所述的方法，其特征在于，所述第一全连接单元、所述第二全连接单元以及所述第三全连接单元的神经元个数分别为：512、1024、2048。

4.根据权利要求2所述的方法，其特征在于，所述第一卷积子模块，包括依次连接的第一卷积单元和第二卷积单元；

所述第二卷积子模块，包括第三卷积单元；

所述卷积模块，包括第四卷积单元；

其中，所述第一卷积单元、所述第二卷积单元、所述第三卷积单元以及所述第四卷积单元均包括：卷积层、BN层以及激活层；所述第一卷积单元的卷积层的卷积核大小为7*7，所述第二卷积单元的卷积层的卷积核大小为5*5；所述第三卷积单元的卷积层的卷积核大小为

3*3；所述第四卷积单元的卷积层的卷积核大小为3*3。

5.根据权利要求4所述的方法，其特征在于，所述深度神经网络模型还包括：位于所述第一个数据重建模块之前的第三Reshape层；

所述第三Reshape层，用于将所述亚采样数据转换为与所述第一卷积子模块的输入端匹配的形式。

6.根据权利要求1所述的方法，其特征在于，所述深度神经网络模型包括多个，不同深度神经网络模型在训练阶段使用的高斯矩阵、样本全采样数据对应的成像部位不同，以使不同深度神经网络模型在使用阶段适用不同的成像部位；

所述方法还包括：

在核磁共振设备中按照预设的采样矩阵采集K空间的亚采样数据之前，确定成像部位，并确定该成像部位对应的采样矩阵。

7.根据权利要求1～6任一项所述的方法，其特征在于，所述深度神经网络模型是按照下述方式训练获得的；

获取任一成像部位的多个样本全采样数据；

随机生成一高斯矩阵，并使用所述高斯矩阵对所述样本全采样数据进行压缩，得到样本亚采样数据；

将所述样本亚采样数据输入至预设的深度神经网络，以使所述深度神经网络输出对应的核磁共振图像；

根据所述样本亚采样数据对应的样本全采样数据和核磁共振图像计算所述深度神经网络的损失值；

若所述损失值不小于阈值，基于Adam优化算法调整所述深度神经网络的网络参数，继续训练；

若所述损失值小于阈值，结束训练，将当前的深度神经网络作为所述深度神经网络模型，并将生成的高斯矩阵、当前得到的深度神经网络模型以及对应的成像部位进行关联。

8.一种基于压缩感知的核磁共振成像装置，其特征在于，包括：采样模块，用于按照预设的采样矩阵采集K空间的亚采样数据；

成像模块，用于将所述亚采样数据输入至预设的深度神经网络模型，以使所述深度神经网络模型对所述亚采样数据进行数据重建，并输出核磁共振图像；

其中，所述深度神经网络模型是基于多个样本亚采样数据训练获得的，所述样本亚采样数据是利用一随机生成的高斯矩阵对样本全采样数据进行压缩获得的；所述高斯矩阵为所述采样矩阵；

所述深度神经网络模型，包括依次连接的四个数据重建模块、加法模块以及卷积模块；

其中，每个所述数据重建模块均包括依次连接的第一卷积子模块、全连接子模块以及第二卷积子模块；所述全连接子模块中包含有至少两个相邻连接的全连接层；所述第一卷积子模块中的卷积层的卷积核大小不低于5*5；所述加法模块用于将第一个数据重建模块的输入和最后一个数据重建模块的输出相加。

9.根据权利要求8所述的装置，其特征在于，所述全连接子模块，包括依次连接的第一Reshape层、第一全连接单元、第二全连接单元、第三全连接单元以及第二Reshape层；

其中，所述第一全连接单元、所述第二全连接单元以及所述第三全连接单元的神经元个数比例为1:2:4。

10.根据权利要求9所述的装置，其特征在于，所述第一全连接单元、所述第二全连接单元以及所述第三全连接单元的神经元个数分别为：512、1024、2048。