Los resultados del diagnóstico pueden ser radicalmente influenciados por la calidad de las imágenes ecográficas de tumores ováricos en 2D. Sin embargo, las imágenes ecográficas de tumores ováricos en 2D procesadas clínicamente contienen muchos símbolos artificialmente reconocidos, como dedos, cruces, líneas discontinuas y letras que ayudan a la inteligencia artificial (IA) en el reconocimiento de imágenes. Estos símbolos están ampliamente distribuidos dentro del límite de la lesión, lo que también puede afectar la extracción de características útiles utilizando redes y, por lo tanto, disminuir la precisión de la clasificación y segmentación de lesiones. Las técnicas de relleno de imágenes se utilizan para la eliminación de ruido y objetos de las imágenes. Para resolver este problema, observamos el conjunto de datos MMOTU y creamos un conjunto de datos de relleno de imágenes de tumores ováricos en 2D anotando cuidadosamente los diversos símbolos en las imágenes. En este documento se presenta un nuevo marco llamado red generativa adversarial guiada por máscara (MGGAN) para imágenes ecográficas de tumores ováricos en 2D para eliminar varios símbolos de las imágenes. El MGGAN funciona de manera excelente en regiones corruptas mediante el uso de un mecanismo de atención en el generador para prestar más atención a la información válida e ignorar la información de los símbolos, haciendo que los límites de las lesiones sean más realistas. Además, se utilizan convoluciones rápidas de Fourier (FFCs) y redes residuales para aumentar el campo global de percepción; por lo tanto, nuestro modelo puede aplicarse a imágenes ecográficas de alta resolución. El mayor beneficio de este algoritmo es que logra el relleno de píxeles de regiones distorsionadas sin imágenes limpias. En comparación con otros modelos, nuestro modelo obtuvo mejores resultados con solo una etapa en términos de evaluaciones objetivas y subjetivas. Nuestro modelo obtuvo los mejores resultados para resoluciones de 256 x 256 y 512 x 512. A una resolución de 256 x 256, nuestro modelo logró para SSIM, para FID y para LPIPS. A una resolución de 512 x 512, nuestro modelo logró para SSIM, para FID y para LPIPS. Nuestro método puede mejorar considerablemente la precisión del diagnóstico computarizado de tumores ováricos. La precisión de la segmentación mejoró de a para el modelo Unet y de a para el modelo PSPnet en imágenes limpias.