Cuando se utilizan datos muestreados de forma dispersa para acelerar la resonancia magnética (RM), los enfoques de reconstrucción convencionales producen artefactos significativos que oscurecen el contenido de la imagen. Para eliminar los artefactos de aliasing, proponemos una red neuronal convolucional avanzada (CNN) llamada fully dense attention CNN (FDA-CNN). Actualizamos el modelo Unet con la conectividad totalmente densa y un mecanismo de atención para la reconstrucción de RM. El principal beneficio de FDA-CNN es que una compuerta de atención en cada capa del decodificador aumenta el proceso de aprendizaje al enfocarse en las características de la imagen relevantes y proporciona una mejor generalización de la red al reducir las activaciones irrelevantes. Además, las capas convolucionales densamente interconectadas reutilizan los mapas de características y previenen el problema del gradiente desvaneciente. Además, también implementamos un nuevo patrón de submuestreo eficiente en la dirección de fase que toma frecuencias bajas y altas del espacio k tanto de forma aleatoria como no aleatoria. El rendimiento de FDA-CNN se evaluó cuantitativa y cualitativamente con tres máscaras de submuestreo y conjuntos de datos diferentes. En comparación con cinco técnicas de reconstrucción de RM basadas en el aprendizaje profundo actuales y dos técnicas de compresión de sensado, el método propuesto tuvo un mejor desempeño ya que reconstruyó imágenes más suaves y brillantes. Además, FDA-CNN mejoró la media de PSNR en 2 dB, SSIM en 0.35 y VIFP en 0.37 en comparación con Unet para el factor de aceleración de 5.