Últimamente, la tecnología de aprendizaje profundo ha sido ampliamente investigada para acelerar la resonancia magnética dinámica (RM) con progresos alentadores logrados. Sin embargo, sin datos de referencia completamente muestreados para el entrenamiento, los enfoques actuales pueden tener habilidades limitadas para recuperar detalles finos o estructuras. Para abordar este desafío, este artículo propone un marco de aprendizaje colaborativo auto-supervisado (SelfCoLearn) para una reconstrucción precisa de imágenes de RM dinámicas a partir de datos de espacio k submuestreados directamente. El SelfCoLearn propuesto está equipado con tres componentes importantes, a saber, aprendizaje colaborativo de red dual, aumento de datos de re-submuestreo y una pérdida de co-entrenamiento diseñada especialmente. El marco es flexible y puede integrarse en varias redes desenrolladas iterativas basadas en modelos. El método propuesto ha sido evaluado en un conjunto de datos in vivo y se comparó con cuatro métodos de vanguardia. Los resultados muestran que el método propuesto posee fuertes capacidades para capturar representaciones esenciales e inherentes para reconstrucciones directas a partir de los datos de espacio k submuestreados y, por lo tanto, permite una RM dinámica de alta calidad y rápida.