La resonancia magnética (RM) se enfrenta a desafíos continuos asociados con tiempos prolongados de adquisición y susceptibilidad a artefactos de movimiento. Los principios de Compresión Sensible (CS) han surgido como un avance significativo, abordando estos problemas mediante la submuestreo de puntos de datos de espacio k y permitiendo una imagen rápida. Sin embargo, la recuperación de detalles intrincados a partir de datos submuestreados sigue siendo un esfuerzo complejo. En este estudio, presentamos un enfoque innovador de aprendizaje profundo diseñado para la restauración de imágenes de RM de alta fidelidad a partir de datos de espacio k submuestreados. Nuestro método emplea una estrategia de reconstrucción en cascada que restaura progresivamente características jerárquicas y las fusiona para lograr la reconstrucción final. Esta cascada abarca órdenes de reconstrucción bajos, intermedios y altos, seguidos por un retorno a través de órdenes intermedios y bajos. En etapas de reconstrucción distintas, introducimos un bloque de reconstrucción novedoso para recapturar información de frecuencia diversa crucial para la reconstrucción de imágenes. La otra innovación principal de nuestra propuesta radica en un algoritmo de fusión que armoniza los resultados de diferentes niveles de reconstrucción en la imagen de RM final. Nuestra metodología se valida utilizando dos conjuntos de datos distintos. Notablemente, nuestro algoritmo logra valores impresionantes de PSNR de 32.60 y 31.02 con factores de aceleración de 4x y 8x en el conjunto de datos FastMRI junto con puntajes de SSIM de 0.818 y 0.771, superando a los algoritmos actuales de vanguardia. De manera similar, en el conjunto de datos Calgary-Campinas, nuestro algoritmo logra valores de PSNR aún más altos, alcanzando 37.68 y 33.44, acompañados de puntajes sustanciales de SSIM de 0.954 y 0.901. Es esencial destacar que nuestro algoritmo logra estos resultados notables con un recuento de parámetros relativamente bajo, subrayando su eficiencia. Los análisis comparativos contra métodos análogos enfatizan aún más el rendimiento superior de nuestro enfoque, proporcionando evidencia sólida de su efectividad.