Medical OCR Pipeline

医療ガイドライン等のあらゆる文書構造に対応したOCRパイプライン

## 特徴

### 対応する文書構造
– ✅ 通常の表（フラット構造）
– ✅ 階層構造を持つ表（親カテゴリと子項目）
– ✅ プレーンテキスト（段落、箇条書き）
– ✅ フローチャート
– ✅ 混合コンテンツ（表+テキストなど）

### 2つのパイプライン

#### 1. 標準パイプライン（推奨）
`test_openrouter_coordinate_pipeline.py` – すべての構造に対応
– Stage -1: コンテンツタイプ判定
– Stage 0: タイプ別構造化抽出
– Stage 1: F1スコア分析
– Stage 2: Few-shot改善

#### 2. 階層構造特化パイプライン
`hierarchical_ocr_pipeline.py` – 階層表に特化
– 親カテゴリと子要素の混同を防止
– セル結合の正確な展開

### バッチ処理
`batch_hierarchical_ocr.py` – ディレクトリ内の画像を一括処理

## インストール

pip install -r requirements.txt## 環境変数の設定

export OPENROUTER_API_KEY=”your-api-key-here”OpenRouter APIキーは https://openrouter.ai/ で取得してください。

## 使用方法

### 単一画像の処理

#### 標準パイプライン（すべての構造に対応）
python test_openrouter_coordinate_pipeline.py <image_path>#### 階層構造特化パイプライン
python hierarchical_ocr_pipeline.py <image_path>### バッチ処理（ディレクトリ内の全画像を処理）

#### 基本実行（標準パイプライン）
python batch_hierarchical_ocr.py <image_directory>#### 階層構造特化パイプラインを使用
python batch_hierarchical_ocr.py <image_directory> –pipeline hierarchical#### モデル指定
python batch_hierarchical_ocr.py <image_directory> –model qwen/qwen-2.5-vl-72b-instruct#### Stage 1で停止（JSONL生成のみ、標準パイプラインのみ）
python batch_hierarchical_ocr.py <image_directory> –stop-at-jsonl#### JSONLから再開（Stage 2のみ、標準パイプラインのみ）
python batch_hierarchical_ocr.py <image_directory> –resume-from-jsonl## 出力ファイル

処理結果は入力画像と同じディレクトリの `ocr_output/` フォルダに保存されます。

### 標準パイプライン
– `*_stage0_initial.md` – 初回抽出結果（Markdown）
– `*_stage1_analysis.jsonl` – F1スコア分析結果
– `*_stage1_improved.md` – 改善後のMarkdown
– `*_stage1_structured.json` – 構造化JSON

### 階層構造特化パイプライン
– `*_stage0_hierarchical.md` – 初回抽出結果
– `*_stage1_hierarchical_analysis.jsonl` – 分析結果
– `*_stage1_hierarchical_improved.md` – 改善後のMarkdown

## 推奨モデル

– **Qwen 2.5 VL 72B**: `qwen/qwen-2.5-vl-72b-instruct` – バランスが良い
– **Qwen 3 VL 235B**: `qwen/qwen3-vl-235b-a22b-instruct` – 高精度（デフォルト）

## ライセンス

MIT License

## 開発者

takashiyamamoto260110