面向特定感兴趣区域的磁共振成像对人们的诊断、治疗以及预后具有重要的价值和意义,是医学影像智能分析中的重要任务之一。磁共振成像受限于成像速度慢,而压缩感知技术能够从少量K空间采集数据重构出全采清晰图像来减少磁共振成像的数据采集时间,因此压缩感知磁共振成像重建受到了众多学者的关注与研究。在多数实际医学影像的应用场景中,医生往往只关注图像中人体组织或病灶等特定区域,这些特定区域富含丰富的辅助诊断信息。然而,现有的压缩感知磁共振成像重建方法在数据采集和图像重建两个阶段中并没有充分利用到足够的感兴趣区域信息,无法对感兴趣区域进行精准重建。在有限的K空间采样资源下,为了有效利用与该任务相关的成像信息来提高特定区域的快速磁共振成像质量,本文提出了采样模式与重建过程联合优化的深度卷积神经网络框架。通过一个可学习的部分K空间采样器,框架能够获取针对特定区域的K空间自适应采样模板。在重建阶段,框架采用了一种级联式的卷积神经网络作为重建器,并在其中穿插了用来纠正误差的数据保真层。为了充分利用感兴趣区域位置信息,本文提出了基于注意力机制的重建模型和基于多任务学习的重建模型。基于注意力机制的重建模型利用预分割模型获取感兴趣区域定位信息,并引入特征校准的注意力模块。基于多任务学习的重建模型添加了位置预测分支以引入高级语义信息来引导感兴趣区域的精准重建。本文主要创新点包括:第一,本文提出的框架是当前首个面向感兴趣区域的K空间采样和图像重建联合优化的深度学习模型;第二,本文探索了两种引入感兴趣区域信息的方式:注意力机制和多任务学习;第三,本文在腹部器官分割数据集以及脑肿瘤分割数据集上进行了实验验证。与其他通用和面向感兴趣区域的快速磁共振成像重建方法相比,本文提出的模型达到了最先进的性能。在案例展示中,本文方法能够在低采样率下对感兴趣区域的一些微小细节进行恢复。