Noisy Medical Document ist ein Datensatz mit verrauschten medizinischen Dokumentenbildern, der für OCR- und Dokumentenanalyseaufgaben entwickelt wurde. Er simuliert die komplexen Störungen durch Rauschen, die beim Scannen von Dokumenten in realen medizinischen Szenarien auftreten, und verbessert die Robustheit und Generalisierungsfähigkeit von OCR- und Dokumentenanalysemodellen in realen Umgebungen. Noisy Medical Document findet breite Anwendung in Forschung und Entwicklung, beispielsweise in der optischen Zeichenerkennung (OCR), der intelligenten Dokumentenanalyse, der Extraktion medizinischer Informationen, der Feinabstimmung von Dokumentenmodellen wie LayoutLM, der multimodalen Modellevaluierung und der medizinischen Sprachverarbeitung. Dieser Datensatz enthält 1.000 hochauflösende, synthetische Bilder medizinischer Dokumente, darunter 500 Krankenhausrechnungen und 500 Entlassungsberichte, sowie vollständige, im JSON-Format strukturierte Annotationsdaten. Alle Bilder sind synthetische Daten und entsprechen vollständig den HIPAA-Datenschutz- und Sicherheitsstandards.

Datensatzzusammensetzung

• Krankenhausrechnungen: 500 Rechnungen, inklusive Einzelaufstellungen, CPT-Kodierung, Versicherungsanpassungen und Finanzübersichten.
• Entlassungsberichte: 500 Seiten, einschließlich Krankengeschichte, Krankenhausaufenthalt, Laborergebnisse, Medikamentenaufzeichnungen, Nachsorgeanweisungen und elektronischer Unterschrift des Arztes.

Zitat

https://doi.org/10.34740/kaggle/dsv/16402426

@dataset{noisy_medical_docs_2026,
title={Noisy Medical Document Images – Hospital Bills & Discharge Summaries},
author={Devkumar Patel},
year={2026},
publisher={Kaggle},
url={https://www.kaggle.com/datasets/devp1866/noisy-medical-document-images-ocr}
}