相较于传统的线扫成像，平面波成像由于其超快的成像速度被广泛应用，但其成像质量较差，影响医生对肿瘤以及血管疾病的精确诊断，现有技术虽然可以提高成像质量，但会降低成像帧频，无法满足临床医学上超快成像的需求。针对上述问题，提出了一种基于生成对抗网络（generative adversarial network，GAN）的图像重建方法：MF-GAN（generative adversarial network with multiscales and feature extraction）。采用基于U-Net的生成器，在编码器中结合多尺度感受野提取不同层次的信息，在解码器中提出了叠加采样机制（fusion-sampling mechanism，FSM），并结合交叉自注意力（criss-cross self-attention，CCSA）分别提取局部和全局特征。在PICMUS 2016数据集上进行训练，利用组合损失规范该模型的收敛方向，相较主流基于深度学习和波束合成的方法，在点目标、囊肿目标和体内图像中的重建效果均有明显提升。综上所述，MF-GAN能够解决平面波图像病灶部位不清晰的问题，重建出高质量的平面波图像。