合成临床扫描件德语OCR基准数据集（GOBICS）
GOBICS 是一个面向德语临床文档光学字符识别（OCR）的基准数据集，基础材料为 GraSCCo 提供的合成德语临床文本，按真实临床文档版式生成 63 份 PDF，并打印扫描为 400x400dpi 正常版、100x100dpi 低分辨率版和平均旋转 10 度的 300x300dpi 版
基本信息
资源简介
合成临床扫描件德语OCR基准数据集（GOBICS）
German OCR Benchmark for Synthetic Clinical Scans (GOBICS)
GOBICS 是一个面向德语临床文档光学字符识别（OCR）的基准数据集，基础材料为 GraSCCo 提供的合成德语临床文本，按真实临床文档版式生成 63 份 PDF，并打印扫描为 400x400dpi 正常版、100x100dpi 低分辨率版和平均旋转 10 度的 300x300dpi 版。数据集包含 originals、normal-400x400、low-resolution-100x100 和 rotated-10dg-300x300 四个文件夹，originals 同时提供原始 .txt 文本与 PDF 版本，PDF 制作使用 9 种模板。该数据可用于德语临床文档 OCR 方法评测与临床 NLP 相关研究（来源 DOI 解析。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：GOBICS——合成临床扫描件德语OCR基准数据集。本数据集的基础由63份PDF组成，这些PDF通过将GraSCCo提供的合成德语临床文本放入类似真实临床文档的版式中生成。这组PDF被打印，然后以三种配置扫描：分辨率为400x400dpi、分辨率为100x100dpi、分辨率为300x300dpi并平均旋转10度。因此数据集包含四个文件夹：originals、normal-400x400、low-resolution-100x100和rotated-10dg-300x300。“originials”包含原始文本的.txt文件以及PDF版本。为创建PDF，我们基于以下GraSCCo文档映射使用9种不同模板：模板涵盖GraSCCo中的01 Entlassungsbrief (stationär) ~34个文件，即默认住院信件；02 Onkologischer Verlaufsbrief Colon_Fake_A–G、Utz、Koeni
【主题与分类】
主题标签：German Clinical Document Corpus、Case reports、Clinical NLP、Optical Character Recognition。本站分类：呼吸系统疾病。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.23527271
使用许可：Creative Commons Attribution 4.0 International。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.23527271
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 66.4 MB。
数据说明
GOBICS——用于合成临床扫描的德国OCR基准数据集。该数据集的基础由63份PDF文件构成，这些文件是通过将GraSCCo提供的合成德国临床文本置于类似真实临床文档的布局中生成的。这一组PDF文件被打印出来，然后以三种配置进行扫描：分辨率为400x400dpi、分辨率为100x100dpi、分辨率为300x300dpi并平均旋转10度。因此，该数据集包含四个文件夹：originals、normal-400x400、low-resolution-100x100和rotated-10dg-300x300。“originals”文件夹中包含了原始文本的.txt文件以及PDF版本。
我们使用9种不同的模板来创建PDF，这些模板基于GraSCCo文档的以下映射：GraSCCo中的模板封面 01 出院信（住院）约34份文件，默认住院信件 02 肿瘤病程信 Colon_Fake_A–G、Utz、Koenig、Ypsilanti、Obradovic、Xavier、Kawasaki 03 门诊检查结果 Schielaug、Schuh、Joubert、Dupuytren、Ehrenberger / Schnitzler、Clausthal、Stölzl、Weil 04 门诊卡 Recklinghausen 05 康复出院报告 Gebauer、Colon_Fake_I 06 半住院治疗信 Meyr、Rieser、Praechtel 07 内镜检查结果 Meulengracht、Tupolev_1、Tupolev_2 08 放射学检查结果 Sudeck、Tupolev_3 09 会诊/转诊信 Jenninger、Queisser、Waldenström、Quervain、Tupolev_4
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
