[论文解读] 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 4

一句话总结

本文提出了一种自动化方法，可从学术PDF中的矢量图中提取高精度数据，避免人工测量。该方法成功重建了测试的漏斗图中50%的数据（24个中的12个），证明了从矢量图中恢复可发表质量数据的可行性，并呼吁出版商增加使用矢量图。

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.

研究动机与目标

• 为解决学术图表中缺乏可访问数据的问题，该问题阻碍了可重现性和再分析。
• 开发一种自动化方法，从PDF中的矢量图中恢复数据点，其精度高于人工测量。
• 评估在元分析漏斗图背景下，从矢量图中重建数据的可行性和准确性。
• 倡导出版商优先在学术出版物中采用矢量图。

提出的方法

• 该方法解析PDF文档以检测矢量图，特别关注包含图形数据（如漏斗图）的图表。
• 利用矢量渲染和坐标提取技术，提取数据点、坐标轴和标签等图形元素。
• 通过分析矢量图内部的空间关系和几何结构，识别并分离出数据点。
• 应用启发式方法和几何规则，将视觉坐标映射到定量数据值，利用矢量格式固有的高精度（0.0–0.01像素）。
• 该方法在包含漏斗图的136篇学术论文中进行了验证，其中24篇用于数据重建测试。

实验结果

研究问题

• RQ1 是否可以在无需人工干预的情况下，从学术PDF中的矢量图中准确重建数据？
• RQ2 在元分析漏斗图中，自动化提取矢量图数据的成功率是多少？
• RQ3 在学术出版物中，矢量图的普遍程度如何，特别是在元分析文献中？
• RQ4 与栅格化或印刷表示相比，矢量图在多大程度上保持了数据精度？

主要发现

• 该方法成功从24个测试的漏斗图中提取了12个，数据重建的成功率达到50%。
• 发现矢量图相对稀少，在136篇包含漏斗图的论文中仅出现了15篇。
• 矢量格式的高精度（0.0–0.01像素）使得数据恢复比使用尺子或光标的人工测量更准确。
• 本研究证实，矢量图以高分辨率包含机器可读数据，使得自动化提取成为可能，并对可重现性具有重要价值。