[論文レビュー] Extracting data from vector figures in scholarly articles

Chris Hartgerink, Peter Murray‐Rust|arXiv (Cornell University)|Sep 6, 2017

Image Retrieval and Classification Techniques被引用数 4

ひとこと要約

本稿では、学術的PDF内のベクターベースの図を自動で処理し、手動測定を回避して高精度のデータを抽出する手法を提示する。この手法は、テストされたファンネルプロットの50％（24件中12件）からデータを再構築に成功し、ベクターフォーマットの図から発表可能な品質のデータを回復可能であることを示し、出版者にベクターフォーマットの使用を促す。

ABSTRACT

It is common for authors to communicate their results in graphical figures, but those data are frequently unavailable for reanalysis. Reconstructing data points from a figure manually requires the author to measure the coordinates either on printed pages using a ruler, or from the display screen using a cursor. This is time-consuming (often hours) and error-prone, and limited by the precision of the display or ruler. What is often not realised is that the data themselves are held in the PDF document to much higher precision (usually 0.0-0.01 pixels), if the figure is stored in vector format. We developed alpha software to automatically reconstruct data from vector figures and tested it on funnel plots in the meta-analysis literature. Our results indicate that reconstructing data from vector based figures is promising, where we correctly extracted data for 12 out of 24 funnel plots with extracted data (50%). However, we observed that vector based figures are relatively sparse (15 out of 136 papers with funnel plots) and strongly insist publishers to provide more vector based data figures in the near future for the benefit of the scholarly community.

研究の動機と目的

• 学術的図にアクセス可能なデータが不足していることによる再現性や再分析の妨げを是正すること。
• 手動測定よりも高い精度で、PDF内のベクターベースの図からデータポイントを回復する自動化手法を開発すること。
• メタアナリシスのファンネルプロットを対象として、ベクターフォーマット図からのデータ再構築の可能性と正確さを評価すること。
• 出版者に学術出版におけるベクターベースの図の使用を推奨すること。

提案手法

• PDFドキュメントを解析して、特にファンネルプロットのようなグラフィカルデータを含むベクターベースの図を検出する。
• ベクターレンダリングと座標抽出技術を用いて、データポイント、軸、ラベルなどのグラフィカル要素を抽出する。
• ベクターフォーマット内の空間的関係性と幾何構造を分析することで、データポイントを特定・分離する。
• 高精度（0.0–0.01ピクセル）を有するベクターフォーマットの特性を活用し、ヒューリスティクスと幾何ルールを適用して視覚的座標を定量的データ値にマッピングする。
• 136編の学術論文（ファンネルプロットを含む）を対象に検証し、そのうち24編をデータ再構築のテストに選定した。

実験結果

リサーチクエスチョン

• RQ1 手動による介入なしに、学術的PDF内のベクターベースの図から正確にデータを再構築できるか？
• RQ2 メタアナリシスのファンネルプロットにおいて、ベクターフォーマット図からの自動データ抽出の成功率はどの程度か？
• RQ3 特にメタアナリシスの文献において、ベクターベースの図はどの程度一般的か？
• RQ4 ラスタライズドまたは印刷された表現と比較して、ベクターフォーマット図はどの程度データの正確性を保持しているか？

主な発見

• テストされた24件のファンネルプロットのうち12件でデータ抽出に成功し、データ再構築の成功率は50％を記録した。
• ベクターベースの図は相対的にまれであり、ファンネルプロットを含む136件の論文のうち15件でのみ確認された。
• ベクターフォーマットの高精度（0.0–0.01ピクセル）により、定規やカーソルを用いた手動測定よりも正確なデータ回復が可能である。
• 本研究は、ベクターフォーマット図に高解像度の機械可読データが含まれており、自動抽出が再現性の観点から実現可能かつ価値あるものであることを確認した。