ABOUT THE SPEAKER
Anders Ynnerman - Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction.

Why you should listen

Professor Anders Ynnerman received a Ph.D. in physics from Gothenburg University. During the early 90s he was doing research at Oxford University and Vanderbilt University. In 1996 he started the Swedish National Graduate School in Scientific Computing, which he directed until 1999. From 1997 to 2002 he directed the Swedish National Supercomputer Centre and from 2002 to 2006 he directed the Swedish National Infrastructure for Computing (SNIC).

Since 1999 he is holding a chair in scientific visualization at Linköping University and in 2000 he founded the Norrköping Visualization and Interaction Studio (NVIS). NVIS currently constitutes one of the main focal points for research and education in computer graphics and visualization in the Nordic region. Ynnerman is currently heading the build-up of a large scale center for Visualization in Norrköping.

More profile about the speaker
Anders Ynnerman | Speaker | TED.com
TEDxGöteborg 2010

Anders Ynnerman: Visualizing the medical data explosion

Anders Ynnerman : la représentation visuelle de l'explosion des données médicales

Filmed:
539,883 views

Aujourd'hui les scanners médicaux produisent en quelques secondes des milliers d'images et des teraoctets de données pour un seul patient. Mais comment font les médecins pour analyser ces informations et déterminer ce qui est utile ? A TEDxGöteborg, Anders Ynnerman, expert en imagerie médicale, nous fait découvrir de nouveaux outils sophistiqués -- comme l'autopsie virtuelle -- pour analyser ces myriades de données, et nous donne un aperçu des futures technologies médicales aux allures de science-fiction. Cette conférence comporte des images médicales qui peuvent choquer.
- Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction. Full bio

Double-click the English transcript below to play the video.

00:15
I will startdébut by posingposant a little bitbit of a challengedéfi:
0
0
4000
Je vais commencer par lancer un tout petit défi,
00:19
the challengedéfi of dealingtransaction with dataLes données,
1
4000
3000
le problème du traitement des données,
00:22
dataLes données that we have to dealtraiter with
2
7000
2000
des données que nous devons traiter
00:24
in medicalmédical situationssituations.
3
9000
2000
dans le contexte médical.
00:26
It's really a hugeénorme challengedéfi for us.
4
11000
2000
C'est vraiment un énorme défi pour nous.
00:28
And this is our beastbête of burdencharge --
5
13000
2000
Et ceci est notre bête de somme.
00:30
this is a ComputerOrdinateur TomographyTomographie par ordinateur machinemachine,
6
15000
2000
C'est un appareil à tomographie calculée par ordinateur --
00:32
a CTCT machinemachine.
7
17000
2000
un scanner CT.
00:34
It's a fantasticfantastique devicedispositif.
8
19000
2000
C'est un appareil extraordinaire.
00:36
It usesles usages X-raysRayons x, X-rayX-ray beamspoutres,
9
21000
2000
Il utilise les rayons X, des faisceaux de rayons X,
00:38
that are rotatingtournantes very fastvite around the humanHumain bodycorps.
10
23000
3000
qui tournent très rapidement autour du corps humain.
00:41
It takes about 30 secondssecondes to go throughpar the wholeentier machinemachine
11
26000
2000
Il faut environ 30 secondes pour passer à travers tout l'appareil
00:43
and is generatinggénérateur enormousénorme amountsles montants of informationinformation
12
28000
2000
et d'énormes quantités d'informations sont produites
00:45
that comesvient out of the machinemachine.
13
30000
2000
en sortie de la machine.
00:47
So this is a fantasticfantastique machinemachine
14
32000
2000
C'est une machine extraordinaire
00:49
that we can use
15
34000
2000
que nous pouvons utiliser
00:51
for improvingaméliorer healthsanté carese soucier,
16
36000
2000
pour améliorer les soins de santé.
00:53
but as I said, it's alsoaussi a challengedéfi for us.
17
38000
2000
Mais, comme je l'ai dit, c'est aussi un défi à relever.
00:55
And the challengedéfi is really founda trouvé in this picturephoto here.
18
40000
3000
Toute l'ampleur du problème se trouve sur cette image.
00:58
It's the medicalmédical dataLes données explosionexplosion
19
43000
2000
Il s'agit de l'explosion des données médicales
01:00
that we're havingayant right now.
20
45000
2000
qui se produit en ce moment même.
01:02
We're facingorienté vers this problemproblème.
21
47000
2000
C'est le problème auquel nous sommes confrontés.
01:04
And let me stepétape back in time.
22
49000
2000
Laissez-moi revenir en arrière.
01:06
Let's go back a fewpeu yearsannées in time and see what happenedarrivé back then.
23
51000
3000
Revenons quelques années en arrière, et observons ce qui se passait à l'époque.
01:09
These machinesmachines that camevenu out --
24
54000
2000
Les appareils qui sortaient alors --
01:11
they startedcommencé comingvenir in the 1970s --
25
56000
2000
ils ont commencé à arriver dans les années 70 --
01:13
they would scanbalayage humanHumain bodiescorps,
26
58000
2000
scannaient le corps humain,
01:15
and they would generateGénérer about 100 imagesimages
27
60000
2000
et produisaient environ une centaine d'images
01:17
of the humanHumain bodycorps.
28
62000
2000
de ce corps.
01:19
And I've takenpris the libertyliberté, just for clarityclarté,
29
64000
2000
J'ai pris la liberté, pour que ce soit plus clair,
01:21
to translateTraduire that to dataLes données slicestranches de.
30
66000
3000
de traduire cela en termes de données numériques.
01:24
That would correspondcorrespondent to about 50 megabytesmégaoctets of dataLes données,
31
69000
2000
Ça correspondrait à environ 50 Mo,
01:26
whichlequel is smallpetit
32
71000
2000
ce qui est peu
01:28
when you think about the dataLes données we can handlemanipuler todayaujourd'hui
33
73000
3000
quand vous pensez aux quantités de données que nous pouvons manipuler de nos jours
01:31
just on normalnormal mobilemobile devicesdispositifs.
34
76000
2000
rien que sur nos portables normaux.
01:33
If you translateTraduire that to phonetéléphone bookslivres,
35
78000
2000
Si vous traduisez ça en annuaires,
01:35
it's about one metermètre of phonetéléphone bookslivres in the pilepile.
36
80000
3000
ça fait une pile d'annuaires d'environ un mètre de haut.
01:38
Looking at what we're doing todayaujourd'hui
37
83000
2000
Quand on voit ce que l'on peut faire aujourd'hui
01:40
with these machinesmachines that we have,
38
85000
2000
avec les machines dont nous disposons,
01:42
we can, just in a fewpeu secondssecondes,
39
87000
2000
on peut, en seulement quelques secondes,
01:44
get 24,000 imagesimages out of a bodycorps,
40
89000
2000
obtenir 24 000 images d'un corps.
01:46
and that would correspondcorrespondent to about 20 gigabytesgigaoctets of dataLes données,
41
91000
3000
Cela correspondrait à environ 20 Go,
01:49
or 800 phonetéléphone bookslivres,
42
94000
2000
ou 800 annuaires.
01:51
and the pilepile would then be 200 metersmètres of phonetéléphone bookslivres.
43
96000
2000
La pile d'annuaires ferait alors 200 mètres de haut.
01:53
What's about to happense produire --
44
98000
2000
Ce qui va se produire --
01:55
and we're seeingvoyant this; it's beginningdébut --
45
100000
2000
et nous le voyons déjà, ça commence --
01:57
a technologyLa technologie trendtendance that's happeningévénement right now
46
102000
2000
c'est une tendance technologique qui arrive en ce moment même,
01:59
is that we're startingdépart to look at time-resolvedrésolution temporelle situationssituations as well.
47
104000
3000
est que nous commençons également à regarder les images en temps réel.
02:02
So we're gettingobtenir the dynamicsdynamique out of the bodycorps as well.
48
107000
3000
Nous obtenons également la dynamique du corps.
02:05
And just assumeassumer
49
110000
2000
Supposez seulement
02:07
that we will be collectingrecueillir dataLes données duringpendant fivecinq secondssecondes,
50
112000
3000
que nous ne recueillions des données que sur une durée de cinq secondes,
02:10
and that would correspondcorrespondent to one terabytetéraoctet of dataLes données --
51
115000
2000
cela correspondrait à un téraoctet de données.
02:12
that's 800,000 bookslivres
52
117000
2000
C'est à dire 800 000 annuaires,
02:14
and 16 kilometerskilomètres of phonetéléphone bookslivres.
53
119000
2000
une pile de 16 km de haut.
02:16
That's one patientpatient, one dataLes données setensemble.
54
121000
2000
Et cela pour un seul patient, un seul examen.
02:18
And this is what we have to dealtraiter with.
55
123000
2000
Voilà ce à quoi nous devons faire face.
02:20
So this is really the enormousénorme challengedéfi that we have.
56
125000
3000
C'est vraiment l'énorme défi qui se présente à nous.
02:23
And alreadydéjà todayaujourd'hui -- this is 25,000 imagesimages.
57
128000
3000
Et dès aujourd'hui -- il s'agit de 25 000 images.
02:26
ImagineImaginez the daysjournées
58
131000
2000
Imaginez l'époque
02:28
when we had radiologistsradiologues doing this.
59
133000
2000
où les radiologues travaillaient de cette façon.
02:30
They would put up 25,000 imagesimages,
60
135000
2000
Ils auraient affiché 25 000 clichés,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
et ils auraient dit 25 000 fois :" Tout va bien, tout va bien,
02:35
There is the problemproblème."
62
140000
2000
Ah, voilà le problème. "
02:37
They can't do that anymoreplus. That's impossibleimpossible.
63
142000
2000
On ne peut plus faire ça, c'est impossible.
02:39
So we have to do something that's a little bitbit more intelligentintelligent than doing this.
64
144000
3000
Alors on doit trouver quelque chose d'un peu plus intelligent que ça.
02:43
So what we do is that we put all these slicestranches de togetherensemble.
65
148000
2000
Ce que nous faisons donc, c'est de regrouper toutes ces coupes.
02:45
ImagineImaginez that you slicetranche your bodycorps in all these directionsdirections,
66
150000
3000
Imaginez que vous découpez votre corps dans tous les sens,
02:48
and then you try to put the slicestranches de back togetherensemble again
67
153000
3000
et puis vous essayez de remettre les tranches ensemble
02:51
into a pilepile of dataLes données, into a blockbloc of dataLes données.
68
156000
2000
pour former une pile de données, un bloc de données.
02:53
So this is really what we're doing.
69
158000
2000
C'est ce que nous faisons en réalité.
02:55
So this gigabyteGigabyte or terabytetéraoctet of dataLes données, we're puttingen mettant it into this blockbloc.
70
160000
3000
Ce gigaoctet, ou téraoctet de données, nous le mettons dans ce bloc.
02:58
But of coursecours, the blockbloc of dataLes données
71
163000
2000
Mais, bien sûr, le bloc de données
03:00
just containscontient the amountmontant of X-rayX-ray
72
165000
2000
n'indique que la quantité de rayons X
03:02
that's been absorbedabsorbé in eachchaque pointpoint in the humanHumain bodycorps.
73
167000
2000
qui a été absorbée par chaque point du corps humain.
03:04
So what we need to do is to figurefigure out a way
74
169000
2000
Nous devons donc trouver un moyen
03:06
of looking at the things we do want to look at
75
171000
3000
de voir les choses que nous voulons observer
03:09
and make things transparenttransparent that we don't want to look at.
76
174000
3000
et de rendre transparentes les choses que nous ne voulons pas observer.
03:12
So transformingtransformer the dataLes données setensemble
77
177000
2000
C'est-à-dire de transformer l'ensemble des données
03:14
into something that looksregards like this.
78
179000
2000
en quelque chose qui ressemble à ça.
03:16
And this is a challengedéfi.
79
181000
2000
Et c'est très difficile.
03:18
This is a hugeénorme challengedéfi for us to do that.
80
183000
3000
Le défi pour nous est énorme.
03:21
UsingÀ l’aide computersdes ordinateurs, even thoughbien que they're gettingobtenir fasterPlus vite and better all the time,
81
186000
3000
En utilisant des ordinateurs, même s'ils deviennent tout le temps plus rapides et meilleurs,
03:24
it's a challengedéfi to dealtraiter with gigabytesgigaoctets of dataLes données,
82
189000
2000
il est très difficile de traiter des gigaoctets de données,
03:26
terabytestéra-octets of dataLes données
83
191000
2000
des téraoctets de données,
03:28
and extractingextraction de the relevantpertinent informationinformation.
84
193000
2000
et d'en extraire les informations utiles.
03:30
I want to look at the heartcœur.
85
195000
2000
Je veux observer le cœur,
03:32
I want to look at the blooddu sang vesselsnavires. I want to look at the liverfoie.
86
197000
2000
je veux observer les vaisseaux sanguins, je veux observer le foie,
03:34
Maybe even find a tumortumeur,
87
199000
2000
peut-être même détecter une tumeur
03:36
in some casescas.
88
201000
2000
dans certains cas.
03:39
So this is where this little dearcher comesvient into playjouer.
89
204000
2000
Et voilà où ce petit amour entre en jeu.
03:41
This is my daughterfille.
90
206000
2000
C'est ma fille.
03:43
This is as of 9 a.m. this morningMatin.
91
208000
2000
A 9 h 00, ce matin même.
03:45
She's playingen jouant a computerordinateur gameJeu.
92
210000
2000
Elle joue à un jeu sur ordinateur.
03:47
She's only two yearsannées oldvieux,
93
212000
2000
Elle n'a que deux ans,
03:49
and she's havingayant a blastexplosion.
94
214000
2000
et elle s'éclate.
03:51
So she's really the drivingau volant forceObliger
95
216000
3000
C'est elle la vraie force motrice
03:54
behindderrière the developmentdéveloppement of graphics-processingtraitement graphique unitsunités.
96
219000
3000
qui pousse au développement des cartes graphiques.
03:58
As long as kidsdes gamins are playingen jouant computerordinateur gamesJeux,
97
223000
2000
Aussi longtemps que les gamins joueront à des jeux sur ordinateur,
04:00
graphicsgraphique is gettingobtenir better and better and better.
98
225000
2000
le traitement graphique continuera à s'améliorer de plus en plus.
04:02
So please go back home, tell your kidsdes gamins to playjouer more gamesJeux,
99
227000
2000
Alors rentrez chez vous, s'il vous plaît, et dites à vos enfants de jouer plus souvent,
04:04
because that's what I need.
100
229000
2000
parce que j'en ai besoin.
04:06
So what's insideà l'intérieur of this machinemachine
101
231000
2000
C'est ce qui est à l'intérieur de cet appareil
04:08
is what enablespermet me to do the things that I'm doing
102
233000
2000
qui me permet de faire ce que je j'accomplis
04:10
with the medicalmédical dataLes données.
103
235000
2000
avec les données médicales.
04:12
So really what I'm doing is usingen utilisant these fantasticfantastique little devicesdispositifs.
104
237000
3000
Ce que je fais en vérité, c'est que j'utilise ces petits appareils extraordinaires.
04:15
And you know, going back
105
240000
2000
Et vous savez, si je reviens
04:17
maybe 10 yearsannées in time
106
242000
2000
peut-être dix ans en arrière
04:19
when I got the fundingfinancement
107
244000
2000
quand j'ai obtenu le financement
04:21
to buyacheter my first graphicsgraphique computerordinateur --
108
246000
2000
pour acheter mon premier ordinateur de traitement graphique.
04:23
it was a hugeénorme machinemachine.
109
248000
2000
C'était une énorme machine.
04:25
It was cabinetsarmoires of processorsprocesseurs and storageespace de rangement and everything.
110
250000
3000
C'était des rangées de processeurs, de stockage, de tout cela.
04:28
I paidpayé about one millionmillion dollarsdollars for that machinemachine.
111
253000
3000
J'ai payé cette machine aux alentours d'un million de dollars.
04:32
That machinemachine is, todayaujourd'hui, about as fastvite as my iPhoneiPhone.
112
257000
3000
Et elle était à peu près aussi rapide que mon iPhone aujourd'hui.
04:37
So everychaque monthmois there are newNouveau graphicsgraphique cardscartes comingvenir out,
113
262000
2000
Chaque mois il y a de nouvelles cartes graphiques qui sortent.
04:39
and here is a fewpeu of the latestdernier onesceux from the vendorsvendeurs --
114
264000
3000
En voici quelques unes des dernières mises en vente --
04:42
NVIDIANVIDIA, ATIATI, IntelIntel is out there as well.
115
267000
3000
NVIDIA, ATI. Intel est également présent.
04:45
And you know, for a fewpeu hundredcent bucksdollars
116
270000
2000
Et vous savez, pour quelques centaines d'euros,
04:47
you can get these things and put them into your computerordinateur,
117
272000
2000
vous pouvez les acquérir et les mettre dans votre ordinateur,
04:49
and you can do fantasticfantastique things with these graphicsgraphique cardscartes.
118
274000
3000
et vous pouvez faire des choses extraordinaires avec ces cartes graphiques.
04:52
So this is really what's enablingpermettant us
119
277000
2000
C'est donc ce qui nous permet de faire face
04:54
to dealtraiter with the explosionexplosion of dataLes données in medicinemédicament,
120
279000
3000
à l'explosion des données en médecine,
04:57
togetherensemble with some really niftyNifty work
121
282000
2000
ajouté à l'élaboration de quelques solutions très habiles
04:59
in termstermes of algorithmsalgorithmes --
122
284000
2000
en termes d'algorithmes --
05:01
compressingcompression dataLes données,
123
286000
2000
de compression des données,
05:03
extractingextraction de the relevantpertinent informationinformation that people are doing researchrecherche on.
124
288000
3000
d'extraction des informations utiles aux travaux des chercheurs.
05:06
So I'm going to showmontrer you a fewpeu examplesexemples of what we can do.
125
291000
3000
Je vais vous montrer quelques exemples de ce que nous pouvons faire.
05:09
This is a dataLes données setensemble that was capturedcapturé usingen utilisant a CTCT scannerscanner.
126
294000
3000
Voici un ensemble de données qui ont été relevées par un scanner CT.
05:12
You can see that this is a fullplein dataLes données [setensemble].
127
297000
3000
Vous pouvez voir que ces données sont complètes.
05:15
It's a womanfemme. You can see the haircheveux.
128
300000
3000
C'est une femme. Vous pouvez voir les cheveux.
05:18
You can see the individualindividuel structuresles structures of the womanfemme.
129
303000
3000
Vous pouvez voir chaque organe de cette femme séparément.
05:21
You can see that there is [a] scatteringdiffusion of X-raysRayons x
130
306000
3000
Vous pouvez voir qu'il y a un éparpillement de rayons X
05:24
on the teethles dents, the metalmétal in the teethles dents.
131
309000
2000
sur les dents, le métal des dents.
05:26
That's where those artifactsartefacts are comingvenir from.
132
311000
3000
C'est la raison de ces traces.
05:29
But fullypleinement interactivelymode interactif
133
314000
2000
Mais de façon complètement interactive,
05:31
on standardla norme graphicsgraphique cardscartes on a normalnormal computerordinateur,
134
316000
3000
avec une carte graphique standard, sur un ordinateur normal,
05:34
I can just put in a clipagrafe planeavion.
135
319000
2000
je peux faire une coupe plane.
05:36
And of coursecours all the dataLes données is insideà l'intérieur,
136
321000
2000
Et bien sûr, toutes les données sont à l'intérieur,
05:38
so I can startdébut rotatingtournantes, I can look at it from differentdifférent anglesangles,
137
323000
3000
je peux donc la faire tourner, je peux la voir sous différents angles,
05:41
and I can see that this womanfemme had a problemproblème.
138
326000
3000
et je peux voir que cette femme a eu un problème.
05:44
She had a bleedingsaignement up in the braincerveau,
139
329000
2000
Elle a eu une hémorragie au cerveau,
05:46
and that's been fixedfixé with a little stentstent,
140
331000
2000
qui a été soignée par un petit stent,
05:48
a metalmétal clamppince that's tighteningde serrage up the vesselnavire.
141
333000
2000
un tube en métal qui renforce le vaisseau.
05:50
And just by changingen changeant the functionsles fonctions,
142
335000
2000
Et rien qu'en changeant les réglages,
05:52
then I can decidedécider what's going to be transparenttransparent
143
337000
3000
je peux décider de ce qui va être transparent,
05:55
and what's going to be visiblevisible.
144
340000
2000
et de ce qui va être visible.
05:57
I can look at the skullcrâne structurestructure,
145
342000
2000
Je peux observer la structure crânienne,
05:59
and I can see that, okay, this is where they openedouvert up the skullcrâne on this womanfemme,
146
344000
3000
et je peux voir que, oui, c'est là qu'on a ouvert le crâne de cette femme,
06:02
and that's where they wentest allé in.
147
347000
2000
et c'est par là qu'on est entré.
06:04
So these are fantasticfantastique imagesimages.
148
349000
2000
Ce sont des images extraordinaires.
06:06
They're really highhaute resolutionrésolution,
149
351000
2000
Elles sont de très haute définition,
06:08
and they're really showingmontrer us what we can do
150
353000
2000
et sont vraiment un exemple de ce qu'on peut faire aujourd'hui
06:10
with standardla norme graphicsgraphique cardscartes todayaujourd'hui.
151
355000
3000
avec des cartes graphiques standard.
06:13
Now we have really madefabriqué use of this,
152
358000
2000
Alors on s'en est vraiment servi,
06:15
and we have trieda essayé to squeezeécraser a lot of dataLes données
153
360000
3000
et on a essayé de faire entrer plein de données
06:18
into the systemsystème.
154
363000
2000
dans le système.
06:20
And one of the applicationsapplications that we'venous avons been workingtravail on --
155
365000
2000
L'une des utilisations sur lesquelles nous travaillons --
06:22
and this has gottenobtenu a little bitbit of tractiontraction worldwideà l'échelle mondiale --
156
367000
3000
et cela a suscité quelque intérêt dans le monde entier --
06:25
is the applicationapplication of virtualvirtuel autopsiesautopsies.
157
370000
2000
est le programme d'autopsies virtuelles.
06:27
So again, looking at very, very largegrand dataLes données setsensembles,
158
372000
2000
Une fois de plus, en partant de très très grands ensembles de données,
06:29
and you saw those full-bodytout le corps scansscans that we can do.
159
374000
3000
vous avez vu ces scans en pied que nous pouvons faire.
06:32
We're just pushingen poussant the bodycorps throughpar the wholeentier CTCT scannerscanner,
160
377000
3000
Nous faisons juste passer le corps à travers le scanner CT,
06:35
and just in a fewpeu secondssecondes we can get a full-bodytout le corps dataLes données setensemble.
161
380000
3000
et en seulement quelques secondes nous pouvons obtenir l'ensemble des données du corps entier.
06:38
So this is from a virtualvirtuel autopsyautopsie.
162
383000
2000
Ceci provient d'une autopsie virtuelle.
06:40
And you can see how I'm graduallyprogressivement peelingpeeling off.
163
385000
2000
Vous pouvez voir comment j'enlève progressivement les couches.
06:42
First you saw the bodycorps bagsac that the bodycorps camevenu in,
164
387000
3000
En premier vous avez vu le sac dans lequel le corps est arrivé,
06:45
then I'm peelingpeeling off the skinpeau -- you can see the musclesmuscles --
165
390000
3000
puis j'enlève la peau -- vous pouvez voir les muscles --
06:48
and eventuallyfinalement you can see the boneOS structurestructure of this womanfemme.
166
393000
3000
et finalement vous pouvez voir le squelette de cette femme.
06:51
Now at this pointpoint, I would alsoaussi like to emphasizesouligner
167
396000
3000
A ce stade, je voudrais aussi souligner que,
06:54
that, with the greatestplus grand respectle respect
168
399000
2000
avec le plus grand respect
06:56
for the people that I'm now going to showmontrer --
169
401000
2000
pour les personnes que je vais maintenant vous montrer --
06:58
I'm going to showmontrer you a fewpeu casescas of virtualvirtuel autopsiesautopsies --
170
403000
2000
je vais vous montrer quelques cas d'autopsies virtuelles --
07:00
so it's with great respectle respect for the people
171
405000
2000
c'est avec un grand respect pour ces personnes
07:02
that have dieddécédés underen dessous de violentviolent circumstancesconditions
172
407000
2000
qui sont mortes dans des circonstances violentes
07:04
that I'm showingmontrer these picturesdes photos to you.
173
409000
3000
que je vous montre ces images.
07:08
In the forensiclégal caseCas --
174
413000
2000
Dans le cadre médico-légal --
07:10
and this is something
175
415000
2000
il y a eu jusqu'ici
07:12
that ... there's been approximatelyapproximativement 400 casescas so farloin
176
417000
2000
environ 400 cas,
07:14
just in the partpartie of SwedenSuède that I come from
177
419000
2000
rien que dans la région de Suède d'où je viens,
07:16
that has been undergoingen cours de virtualvirtuel autopsiesautopsies
178
421000
2000
qui ont subi une autopsie virtuelle
07:18
in the pastpassé fourquatre yearsannées.
179
423000
2000
durant ces quatre dernières années.
07:20
So this will be the typicaltypique workflowflux de travail situationsituation.
180
425000
3000
Voilà le déroulement de la situation typique :
07:23
The policepolice will decidedécider --
181
428000
2000
La police va décider --
07:25
in the eveningsoir, when there's a caseCas comingvenir in --
182
430000
2000
dans la soirée, quand un cas se présente --
07:27
they will decidedécider, okay, is this a caseCas where we need to do an autopsyautopsie?
183
432000
3000
ils vont décider, d'accord, voilà un cas qui nécessite une autopsie.
07:30
So in the morningMatin, in betweenentre sixsix and sevenSept in the morningMatin,
184
435000
3000
Le lendemain, entre six et sept heures du matin,
07:33
the bodycorps is then transportedtransportés insideà l'intérieur of the bodycorps bagsac
185
438000
2000
le corps est transporté dans son sac
07:35
to our centercentre
186
440000
2000
jusqu'à notre Centre,
07:37
and is beingétant scannedscanné throughpar one of the CTCT scannersscanners.
187
442000
2000
et il est passé dans l'un de nos scanners CT.
07:39
And then the radiologistradiologue, togetherensemble with the pathologistpathologiste
188
444000
2000
Puis le radiologue, en compagnie du pathologiste
07:41
and sometimesparfois the forensiclégal scientistscientifique,
189
446000
2000
et parfois du médecin légiste,
07:43
looksregards at the dataLes données that's comingvenir out,
190
448000
2000
examinent les données qui sortent,
07:45
and they have a jointmixte sessionsession.
191
450000
2000
et ils se concertent.
07:47
And then they decidedécider what to do in the realréal physicalphysique autopsyautopsie after that.
192
452000
3000
Ils décident alors de ce qu'ils vont faire lors de la vraie autopsie qui va suivre.
07:52
Now looking at a fewpeu casescas,
193
457000
2000
Voyons maintenant quelques cas,
07:54
here'svoici one of the first casescas that we had.
194
459000
2000
voici l'un de nos tout premiers.
07:56
You can really see the detailsdétails of the dataLes données setensemble.
195
461000
3000
Vous pouvez vraiment voir les détails de l'ensemble de données ;
07:59
It's very high-resolutionhaute résolution,
196
464000
2000
c'est à très haute définition.
08:01
and it's our algorithmsalgorithmes that allowpermettre us
197
466000
2000
Et ce sont nos algorithmes qui nous permettent
08:03
to zoomZoom in on all the detailsdétails.
198
468000
2000
d'agrandir chaque détail.
08:05
And again, it's fullypleinement interactiveinteractif,
199
470000
2000
Là aussi, c'est totalement interactif,
08:07
so you can rotatetourner and you can look at things in realréal time
200
472000
2000
vous pouvez le faire pivoter et voir les choses en temps réel
08:09
on these systemssystèmes here.
201
474000
2000
sur ces systèmes là.
08:11
WithoutSans sayingen disant too much about this caseCas,
202
476000
2000
Sans trop en dire sur ce cas,
08:13
this is a trafficcirculation accidentaccident,
203
478000
2000
il s'agit d'un accident de circulation,
08:15
a drunkivre driverchauffeur hitfrappé a womanfemme.
204
480000
2000
un chauffard ivre a renversé une femme.
08:17
And it's very, very easyfacile to see the damagesdommages-intérêts on the boneOS structurestructure.
205
482000
3000
Il est très très facile de voir les dégâts sur le squelette.
08:20
And the causecause of deathdécès is the brokencassé neckcou.
206
485000
3000
Et la cause du décès qui est la nuque brisée.
08:23
And this womenfemmes alsoaussi endedterminé up underen dessous de the carvoiture,
207
488000
2000
Cette femme a de plus fini sous la voiture,
08:25
so she's quiteassez badlymal beatenbattu up
208
490000
2000
alors elle est assez gravement abîmée
08:27
by this injuryblessure.
209
492000
2000
par l'accident.
08:29
Here'sVoici anotherun autre caseCas, a knifingcrépis.
210
494000
3000
Voici un autre cas, une attaque au couteau.
08:32
And this is alsoaussi again showingmontrer us what we can do.
211
497000
2000
Ça nous montre une fois encore ce que nous pouvons faire.
08:34
It's very easyfacile to look at metalmétal artifactsartefacts
212
499000
2000
Il est très facile d'observer les objets en métal,
08:36
that we can showmontrer insideà l'intérieur of the bodycorps.
213
501000
3000
nous pouvons les montrer à l'intérieur du corps.
08:39
You can alsoaussi see some of the artifactsartefacts from the teethles dents --
214
504000
3000
Vous pouvez aussi voir des objets dans la mâchoire --
08:42
that's actuallyréellement the fillingremplissage of the teethles dents --
215
507000
2000
ce sont en réalité les plombages --
08:44
but because I've setensemble the functionsles fonctions to showmontrer me metalmétal
216
509000
3000
mais c'est parce que j'ai réglé les fonctions pour faire apparaître le métal
08:47
and make everything elseautre transparenttransparent.
217
512000
2000
et rendre tout le reste transparent.
08:49
Here'sVoici anotherun autre violentviolent caseCas. This really didn't killtuer the personla personne.
218
514000
3000
Voici un autre cas de violence. Ce n'est pas vraiment ça qui a tué la personne.
08:52
The personla personne was killedtué by stabsstabs in the heartcœur,
219
517000
2000
Elle a été tuée par des coups de poignard dans le cœur,
08:54
but they just depositeddépôt de the knifecouteau
220
519000
2000
mais ils se sont simplement débarrassé du couteau
08:56
by puttingen mettant it throughpar one of the eyeballsglobes oculaires.
221
521000
2000
en l'enfonçant dans l'un des globes oculaires.
08:58
Here'sVoici anotherun autre caseCas.
222
523000
2000
Voici un autre cas.
09:00
It's very interestingintéressant for us
223
525000
2000
C'est très intéressant pour nous
09:02
to be ablecapable to look at things like knifecouteau stabbingsagressions.
224
527000
2000
de pouvoir observer des choses comme les coups de couteau.
09:04
Here you can see that knifecouteau wentest allé throughpar the heartcœur.
225
529000
3000
Ici vous pouvez voir que le couteau a transpercé le cœur.
09:07
It's very easyfacile to see how airair has been leakingune fuite
226
532000
2000
On peut facilement voir comment l'air a fui
09:09
from one partpartie to anotherun autre partpartie,
227
534000
2000
d'un endroit à l'autre,
09:11
whichlequel is difficultdifficile to do in a normalnormal, standardla norme, physicalphysique autopsyautopsie.
228
536000
3000
ce qui est difficile dans une autopsie normale, standard.
09:14
So it really, really helpsaide
229
539000
2000
Cela aide énormément
09:16
the criminalcriminel investigationenquête
230
541000
2000
l'enquête criminelle
09:18
to establishétablir the causecause of deathdécès,
231
543000
2000
à établir la cause du décès,
09:20
and in some casescas alsoaussi directingmise en scène the investigationenquête in the right directiondirection
232
545000
3000
et dans certains cas, à orienter l'enquête dans la bonne direction
09:23
to find out who the killertueur really was.
233
548000
2000
pour découvrir qui est vraiment le meurtrier.
09:25
Here'sVoici anotherun autre caseCas that I think is interestingintéressant.
234
550000
2000
Voici un autre cas que je trouve intéressant.
09:27
Here you can see a bulletballe
235
552000
2000
Vous pouvez voir ici une balle
09:29
that has lodgeddéposée just nextprochain to the spinecolonne vertébrale on this personla personne.
236
554000
3000
qui s'est logée juste à côté de la colonne vertébrale de cette personne.
09:32
And what we'venous avons doneterminé is that we'venous avons turnedtourné the bulletballe into a lightlumière sourcela source,
237
557000
3000
Et ce que nous avons fait, c'est de transformer cette balle en source lumineuse,
09:35
so that bulletballe is actuallyréellement shiningbrillant,
238
560000
2000
de façon à ce que la balle brille réellement,
09:37
and it makesfait du it really easyfacile to find these fragmentsfragments.
239
562000
3000
ce qui rend la recherche des fragments très facile.
09:40
DuringAu cours de a physicalphysique autopsyautopsie,
240
565000
2000
Lors d'une autopsie physique,
09:42
if you actuallyréellement have to digcreuser throughpar the bodycorps to find these fragmentsfragments,
241
567000
2000
si vous devez réellement fouiller le corps pour retrouver les fragments,
09:44
that's actuallyréellement quiteassez harddifficile to do.
242
569000
2000
c'est vraiment assez dur à faire.
09:48
One of the things that I'm really, really happycontent
243
573000
2000
Une des choses que je suis très très heureux
09:50
to be ablecapable to showmontrer you here todayaujourd'hui
244
575000
3000
de pouvoir vous montrer aujourd'hui
09:53
is our virtualvirtuel autopsyautopsie tabletable.
245
578000
2000
est notre table d'autopsie virtuelle.
09:55
It's a touchtoucher devicedispositif that we have developeddéveloppé
246
580000
2000
C'est un appareil tactile que nous avons élaboré
09:57
basedbasé on these algorithmsalgorithmes, usingen utilisant standardla norme graphicsgraphique GPUsGPU.
247
582000
3000
basé sur ces algorithmes, et qui utilise un processeur graphique standard.
10:00
It actuallyréellement looksregards like this,
248
585000
2000
Voici de quoi cela a l'air en vrai,
10:02
just to give you a feelingsentiment for what it looksregards like.
249
587000
3000
juste pour vous donner un idée de ce à quoi cela ressemble.
10:05
It really just workstravaux like a hugeénorme iPhoneiPhone.
250
590000
3000
Ça marche vraiment comme un énorme iPhone.
10:08
So we'venous avons implementedmis en œuvre
251
593000
2000
Nous avons implémenté
10:10
all the gesturesgestes you can do on the tabletable,
252
595000
3000
tous les gestes que vous pouvez faire sur une table classique,
10:13
and you can think of it as an enormousénorme touchtoucher interfaceinterface.
253
598000
4000
vous pouvez voir cela comme une énorme interface tactile.
10:17
So if you were thinkingen pensant of buyingachat an iPadiPad,
254
602000
2000
Alors si vous aviez l'intention d'acheter un iPad,
10:19
forgetoublier about it. This is what you want insteadau lieu.
255
604000
3000
laissez tomber, voilà ce qu'il vous faut à la place.
10:22
SteveSteve, I hopeespérer you're listeningécoute to this, all right.
256
607000
3000
Steve, j'espère bien que tu nous écoutes.
10:26
So it's a very niceagréable little devicedispositif.
257
611000
2000
C'est un petit appareil très sympa.
10:28
So if you have the opportunityopportunité, please try it out.
258
613000
2000
Alors si vous en avez l'occasion, essayez-le.
10:30
It's really a hands-onHands-on experienceexpérience.
259
615000
3000
C'est vraiment une expérience concrète.
10:33
So it gainedgagné some tractiontraction, and we're tryingen essayant to rollrouleau this out
260
618000
3000
Nous avons eu des réactions favorables, et nous essayons de le développer,
10:36
and tryingen essayant to use it for educationaléducatif purposesfins,
261
621000
2000
et de l'utiliser à des fins pédagogiques,
10:38
but alsoaussi, perhapspeut être in the futureavenir,
262
623000
2000
mais aussi, peut-être à l'avenir,
10:40
in a more clinicalclinique situationsituation.
263
625000
3000
dans un contexte plus clinique.
10:43
There's a YouTubeYouTube videovidéo that you can downloadTélécharger and look at this,
264
628000
2000
Il y a une vidéo sur YouTube que vous pouvez télécharger et regarder,
10:45
if you want to conveytransmettre the informationinformation to other people
265
630000
2000
si vous voulez relayer l'information sur les autopsies virtuelles
10:47
about virtualvirtuel autopsiesautopsies.
266
632000
3000
vers d'autres personnes.
10:50
Okay, now that we're talkingparlant about touchtoucher,
267
635000
2000
Bon, puisque nous parlons de toucher,
10:52
let me movebouge toi on to really "touchingémouvant" dataLes données.
268
637000
2000
passons à la possibilité de toucher réellement les données.
10:54
And this is a bitbit of sciencescience fictionfiction now,
269
639000
2000
C'est un peu de la science-fiction, là,
10:56
so we're movingen mouvement into really the futureavenir.
270
641000
3000
on se projette dans le futur.
10:59
This is not really what the medicalmédical doctorsmédecins are usingen utilisant right now,
271
644000
3000
Ça n'est pas vraiment ce que les médecins utilisent actuellement,
11:02
but I hopeespérer they will in the futureavenir.
272
647000
2000
mais j'espère qu'ils le feront à l'avenir.
11:04
So what you're seeingvoyant on the left is a touchtoucher devicedispositif.
273
649000
3000
Ce que vous voyez à gauche est un appareil tactile.
11:07
It's a little mechanicalmécanique penstylo
274
652000
2000
C'est un petit stylet mécanique
11:09
that has very, very fastvite stepétape motorsmoteurs insideà l'intérieur of the penstylo.
275
654000
3000
qui a des moteurs pas à pas extrêmement rapides à l'intérieur.
11:12
And so I can generateGénérer a forceObliger feedbackretour d'information.
276
657000
2000
Je peux donc produire un retour de force.
11:14
So when I virtuallyvirtuellement touchtoucher dataLes données,
277
659000
2000
Alors, quand je touche virtuellement les données
11:16
it will generateGénérer forcesles forces in the penstylo, so I get a feedbackretour d'information.
278
661000
3000
cela va produire des retours de force dans le stylet, et j'obtiens ainsi une réaction.
11:19
So in this particularparticulier situationsituation,
279
664000
2000
Dans ce cas précis,
11:21
it's a scanbalayage of a livingvivant personla personne.
280
666000
2000
il s'agit du scan d'une personne vivante.
11:23
I have this penstylo, and I look at the dataLes données,
281
668000
3000
J'ai ce stylet, et j'examine les données,
11:26
and I movebouge toi the penstylo towardsvers the headtête,
282
671000
2000
je déplace le stylet vers la tête,
11:28
and all of a suddensoudain I feel resistancela résistance.
283
673000
2000
et tout à coup, je sens une résistance.
11:30
So I can feel the skinpeau.
284
675000
2000
Et ainsi je peux sentir la peau.
11:32
If I pushpousser a little bitbit harderPlus fort, I'll go throughpar the skinpeau,
285
677000
2000
Si j'appuie un peu plus fort, je vais traverser la peau,
11:34
and I can feel the boneOS structurestructure insideà l'intérieur.
286
679000
3000
et je pourrai sentir l'os à l'intérieur.
11:37
If I pushpousser even harderPlus fort, I'll go throughpar the boneOS structurestructure,
287
682000
2000
Si j'appuie encore plus fort, je traverserai le crâne,
11:39
especiallynotamment closeFermer to the earoreille where the boneOS is very softdoux.
288
684000
3000
particulièrement près de l'oreille, où l'os est très tendre.
11:42
And then I can feel the braincerveau insideà l'intérieur, and this will be the slushyfondante like this.
289
687000
3000
Et alors je pourrai sentir le cerveau à l'intérieur, et ça aura une consistance de neige fondue, comme ceci.
11:45
So this is really niceagréable.
290
690000
2000
C'est vraiment bien.
11:47
And to take that even furtherplus loin, this is a heartcœur.
291
692000
3000
Et pour aller encore plus loin, voilà un cœur.
11:50
And this is alsoaussi due to these fantasticfantastique newNouveau scannersscanners,
292
695000
3000
C'est aussi grâce à ces nouveaux scanners extraordinaires,
11:53
that just in 0.3 secondssecondes,
293
698000
2000
avec lesquels, en seulement 0,3 secondes,
11:55
I can scanbalayage the wholeentier heartcœur,
294
700000
2000
je peux scanner la totalité du cœur,
11:57
and I can do that with time resolutionrésolution.
295
702000
2000
et je peux le faire avec une dimension temporelle.
11:59
So just looking at this heartcœur,
296
704000
2000
Et donc, pour observer ce cœur,
12:01
I can playjouer back a videovidéo here.
297
706000
2000
je peux faire tourner une vidéo.
12:03
And this is KarljohanKARLJOHAN, one of my graduatediplômé studentsélèves
298
708000
2000
Voici Karljohan, l'un de mes étudiants de troisième cycle,
12:05
who'squi est been workingtravail on this projectprojet.
299
710000
2000
qui travaille sur ce projet.
12:07
And he's sittingséance there in frontde face of the HapticHaptique devicedispositif, the forceObliger feedbackretour d'information systemsystème,
300
712000
3000
Il est assis devant l'appareil haptique, le système de retour de force,
12:10
and he's movingen mouvement his penstylo towardsvers the heartcœur,
301
715000
3000
et il déplace le stylet vers le cœur,
12:13
and the heartcœur is now beatingbattement in frontde face of him,
302
718000
2000
et le cœur bat maintenant devant lui,
12:15
so he can see how the heartcœur is beatingbattement.
303
720000
2000
pour qu'il puisse voir comment il bat.
12:17
He's takenpris the penstylo, and he's movingen mouvement it towardsvers the heartcœur,
304
722000
2000
Il a pris le stylet, et il le déplace vers le cœur,
12:19
and he's puttingen mettant it on the heartcœur,
305
724000
2000
il le pose sur le cœur,
12:21
and then he feelsse sent the heartbeatsbattements de cœur from the realréal livingvivant patientpatient.
306
726000
3000
et il sent les battements de cœur du véritable patient en vie.
12:24
Then he can examineexaminer how the heartcœur is movingen mouvement.
307
729000
2000
Il peut alors examiner les mouvements du cœur.
12:26
He can go insideà l'intérieur, pushpousser insideà l'intérieur of the heartcœur,
308
731000
2000
Il peut entrer à l'intérieur, pénétrer à l'intérieur du cœur,
12:28
and really feel how the valvesvannes are movingen mouvement.
309
733000
3000
et sentir vraiment comment les valves bougent.
12:31
And this, I think, is really the futureavenir for heartcœur surgeonschirurgiens.
310
736000
3000
Ceci, je crois, est vraiment l'avenir pour les chirurgiens cardiaques.
12:34
I mean it's probablyProbablement the wetWet dreamrêver for a heartcœur surgeonchirurgien
311
739000
3000
Je veux dire, c'est probablement le plus grand fantasme pour un chirurgien du cœur
12:37
to be ablecapable to go insideà l'intérieur of the patient'sles patients heartcœur
312
742000
3000
que de pouvoir aller voir à l'intérieur du cœur du patient
12:40
before you actuallyréellement do surgerychirurgie,
313
745000
2000
avant de passer à l'acte chirurgical,
12:42
and do that with high-qualityhaute qualité resolutionrésolution dataLes données.
314
747000
2000
et de faire cela avec des données de qualité haute définition.
12:44
So this is really neatsoigné.
315
749000
2000
C'est vraiment super.
12:47
Now we're going even furtherplus loin into sciencescience fictionfiction.
316
752000
3000
Maintenant nous allons encore un peu plus loin dans la science-fiction.
12:50
And we heardentendu a little bitbit about functionalfonctionnel MRIIRM.
317
755000
3000
Nous avons un peu entendu parler de l'IRM fonctionnelle.
12:53
Now this is really an interestingintéressant projectprojet.
318
758000
3000
Voilà un projet vraiment intéressant.
12:56
MRIIRM is usingen utilisant magneticmagnétique fieldsdes champs
319
761000
2000
L'IRM utilise des champs magnétiques
12:58
and radioradio frequenciesfréquences
320
763000
2000
et des fréquences radio
13:00
to scanbalayage the braincerveau, or any partpartie of the bodycorps.
321
765000
3000
pour scanner le cerveau, ou n'importe quelle partie du corps.
13:03
So what we're really gettingobtenir out of this
322
768000
2000
Ce que l'on obtient en réalité
13:05
is informationinformation of the structurestructure of the braincerveau,
323
770000
2000
ce sont des informations sur la structure du cerveau,
13:07
but we can alsoaussi measuremesure the differencedifférence
324
772000
2000
mais on peut aussi mesurer la différence de propriétés magnétiques
13:09
in magneticmagnétique propertiesPropriétés of blooddu sang that's oxygenatedoxygénée
325
774000
3000
entre le sang qui est oxygéné
13:12
and blooddu sang that's depletedl’appauvri of oxygenoxygène.
326
777000
3000
et le sang qui s'est appauvri en oxygène.
13:15
That meansveux dire that it's possiblepossible
327
780000
2000
Cela signifie qu'il est possible
13:17
to mapcarte out the activityactivité of the braincerveau.
328
782000
2000
d'établir une carte de l'activité du cerveau.
13:19
So this is something that we'venous avons been workingtravail on.
329
784000
2000
C'est quelque chose sur quoi nous travaillons.
13:21
And you just saw MottsMotts the researchrecherche engineeringénieur, there,
330
786000
3000
Vous venez juste de voir Motts, notre ingénieur d'étude,
13:24
going into the MRIIRM systemsystème,
331
789000
2000
entrer dans la machine d'IRM,
13:26
and he was wearingportant goggleslunettes de protection.
332
791000
2000
et il portait des lunettes.
13:28
So he could actuallyréellement see things in the goggleslunettes de protection.
333
793000
2000
Pour qu'il puisse voir des choses dans les lunettes, en fait.
13:30
So I could presentprésent things to him while he's in the scannerscanner.
334
795000
3000
Pour que je puisse lui montrer des choses pendant qu'il est dans le scanner.
13:33
And this is a little bitbit freakybizarre,
335
798000
2000
Et c'est un peu bizarre,
13:35
because what MottsMotts is seeingvoyant is actuallyréellement this.
336
800000
2000
parce que ce que Motts voit, c'est en fait ceci.
13:37
He's seeingvoyant his ownposséder braincerveau.
337
802000
3000
Il voit son propre cerveau.
13:40
So MottsMotts is doing something here,
338
805000
2000
Motts fait quelque chose, là.
13:42
and probablyProbablement he is going like this with his right handmain,
339
807000
2000
Il fait probablement comme ça avec sa main droite,
13:44
because the left sidecôté is activatedactivé
340
809000
2000
parce que le côté gauche du cortex de la motricité
13:46
on the motormoteur cortexcortex.
341
811000
2000
est actif.
13:48
And then he can see that at the sameMême time.
342
813000
2000
Et il peut voir ceci en même temps.
13:50
These visualizationsvisualisations are brandmarque newNouveau.
343
815000
2000
Ces représentations sont toutes nouvelles.
13:52
And this is something that we'venous avons been researchingdes recherches sur for a little while.
344
817000
3000
C'est quelque chose sur quoi nous menons des recherches depuis un certain temps.
13:55
This is anotherun autre sequenceséquence of Motts'Des Motts braincerveau.
345
820000
3000
Voici une autre séquence du cerveau de Motts.
13:58
And here we askeda demandé MottsMotts to calculatecalculer backwardsen arrière from 100.
346
823000
3000
Ici, nous avons demandé à Motts de compter à rebours à partir de 100.
14:01
So he's going "100, 97, 94."
347
826000
2000
Il fait : " 100, 97, 94..."
14:03
And then he's going backwardsen arrière.
348
828000
2000
Il le fait à l'envers.
14:05
And you can see how the little mathmath processorprocesseur is workingtravail up here in his braincerveau
349
830000
3000
Et vous pouvez voir comment le petit processeur mathématique travaille dans son cerveau,
14:08
and is lightingéclairage up the wholeentier braincerveau.
350
833000
2000
et illumine tout le cerveau.
14:10
Well this is fantasticfantastique. We can do this in realréal time.
351
835000
2000
Eh bien, c'est extraordinaire. On peut faire ça en temps réel.
14:12
We can investigateenquêter things. We can tell him to do things.
352
837000
2000
On peut étudier des tas de choses. On peut lui demander de faire des trucs.
14:14
You can alsoaussi see that his visualvisuel cortexcortex
353
839000
2000
Vous pouvez aussi voir que son cortex visuel
14:16
is activatedactivé in the back of the headtête,
354
841000
2000
est actif, à l'arrière de sa tête,
14:18
because that's where he's seeingvoyant, he's seeingvoyant his ownposséder braincerveau.
355
843000
2000
parce que c'est là qu'il voit, il voit son propre cerveau.
14:20
And he's alsoaussi hearingaudition our instructionsinstructions
356
845000
2000
Et il entend également nos instructions
14:22
when we tell him to do things.
357
847000
2000
quand nous lui disons de faire quelque chose.
14:24
The signalsignal is really deepProfond insideà l'intérieur of the braincerveau as well,
358
849000
2000
De plus, le signal est vraiment profond à l'intérieur du cerveau,
14:26
and it's shiningbrillant throughpar,
359
851000
2000
mais il brille au travers,
14:28
because all of the dataLes données is insideà l'intérieur this volumele volume.
360
853000
2000
parce qu'il y a toutes les données à l'intérieur de ce volume.
14:30
And in just a secondseconde here you will see --
361
855000
2000
Dans juste un instant vous allez voir --
14:32
okay, here. MottsMotts, now movebouge toi your left footpied.
362
857000
2000
Bien, là, Motts, maintenant bouge ton pied gauche.
14:34
So he's going like this.
363
859000
2000
Il fait comme ça.
14:36
For 20 secondssecondes he's going like that,
364
861000
2000
Pendant 20 secondes, il fait comme ça,
14:38
and all of a suddensoudain it lightslumières up up here.
365
863000
2000
et tout à coup, ça s'illumine là-haut.
14:40
So we'venous avons got motormoteur cortexcortex activationactivation up there.
366
865000
2000
Nous avons le cortex moteur qui s'active là-haut.
14:42
So this is really, really niceagréable,
367
867000
2000
C'est vraiment, vraiment bien.
14:44
and I think this is a great tooloutil.
368
869000
2000
Je pense que c'est un outil formidable.
14:46
And connectingde liaison alsoaussi with the previousprécédent talk here,
369
871000
2000
Et en rapport avec la conférence qui m'a précédé ici,
14:48
this is something that we could use as a tooloutil
370
873000
2000
c'est quelque chose que nous pourrions utiliser comme outil
14:50
to really understandcomprendre
371
875000
2000
pour comprendre vraiment
14:52
how the neuronsneurones are workingtravail, how the braincerveau is workingtravail,
372
877000
2000
comment marchent les neurones, comment marche le cerveau,
14:54
and we can do this with very, very highhaute visualvisuel qualityqualité
373
879000
3000
et nous pouvons le faire avec de la très, très bonne qualité visuelle
14:57
and very fastvite resolutionrésolution.
374
882000
3000
et une résolution très rapide.
15:00
Now we're alsoaussi havingayant a bitbit of funamusement at the centercentre.
375
885000
2000
Il nous arrive aussi de nous amuser au Centre.
15:02
So this is a CATCHAT scanbalayage -- ComputerOrdinateur AidedAssistée par TomographyTomographie par ordinateur.
376
887000
3000
Ceci est un CAT scan -- Computer Aided Tomography.
15:06
So this is a lionLion from the locallocal zooZoo
377
891000
2000
C'est Elsa, une lionne du zoo de notre région,
15:08
outsideà l'extérieur of NorrkopingNorrkoping in KolmardenKolmarden, ElsaElsa.
378
893000
3000
près de Norrkoping, dans la forêt de Kolmarden.
15:11
So she camevenu to the centercentre,
379
896000
2000
Elle est arrivée au Centre,
15:13
and they sedatedsous sédation her
380
898000
2000
et ils l'ont endormie,
15:15
and then put her straighttout droit into the scannerscanner.
381
900000
2000
et passée directement dans le scanner.
15:17
And then, of coursecours, I get the wholeentier dataLes données setensemble from the lionLion.
382
902000
3000
Ensuite, bien sûr, j'obtiens tout l'ensemble des données de la lionne.
15:20
And I can do very niceagréable imagesimages like this.
383
905000
2000
Et je peux faire de très jolies images comme celle-ci.
15:22
I can peelpeler off the layercouche of the lionLion.
384
907000
2000
Je peux enlever des couches de la lionne.
15:24
I can look insideà l'intérieur of it.
385
909000
2000
Je peux observer l'intérieur.
15:26
And we'venous avons been experimentingexpérimenter with this.
386
911000
2000
Nous avons testé cela.
15:28
And I think this is a great applicationapplication
387
913000
2000
Et je pense que c'est une application formidable
15:30
for the futureavenir of this technologyLa technologie,
388
915000
2000
pour l'avenir de cette technologie.
15:32
because there's very little knownconnu about the animalanimal anatomyanatomie.
389
917000
3000
Parce qu'on en sait très peu sur l'anatomie animale.
15:35
What's knownconnu out there for veterinariansvétérinaires is kindgentil of basicde base informationinformation.
390
920000
3000
Le seul savoir disponible pour les vétérinaires est très basique, en somme.
15:38
We can scanbalayage all sortssortes of things,
391
923000
2000
Nous pouvons scanner toutes sortes de choses,
15:40
all sortssortes of animalsanimaux.
392
925000
2000
toutes sortes d'animaux.
15:42
The only problemproblème is to fiten forme it into the machinemachine.
393
927000
3000
Le seul problème est de les faire entrer dans la machine.
15:45
So here'svoici a bearours.
394
930000
2000
Voici un ours.
15:47
It was kindgentil of harddifficile to get it in.
395
932000
2000
Ça a été un peu dur de le faire rentrer.
15:49
And the bearours is a cuddlycâlin, friendlyamical animalanimal.
396
934000
3000
L'ours est un animal affectueux, amical.
15:52
And here it is. Here is the nosenez of the bearours.
397
937000
3000
Le voilà. Voilà le nez de l'ours.
15:55
And you mightpourrait want to cuddlecaresse this one,
398
940000
3000
Vous pourriez avoir envie de câliner celui-ci,
15:58
untiljusqu'à you changechangement the functionsles fonctions and look at this.
399
943000
3000
jusqu'à ce que vous changiez les réglages et que vous voyiez ceci.
16:01
So be awareconscient of the bearours.
400
946000
2000
Alors, attention aux ours.
16:03
So with that,
401
948000
2000
Pour finir,
16:05
I'd like to thank all the people
402
950000
2000
je voudrais remercier toutes les personnes
16:07
who have helpedaidé me to generateGénérer these imagesimages.
403
952000
2000
qui m'ont aidé à produire ces images.
16:09
It's a hugeénorme efforteffort that goesva into doing this,
404
954000
2000
C'est un énorme travail que de réussir cela,
16:11
gatheringrassemblement the dataLes données and developingdéveloppement the algorithmsalgorithmes,
405
956000
3000
rassembler les données, développer les algorithmes,
16:14
writingl'écriture all the softwareLogiciel.
406
959000
2000
écrire tous les programmes.
16:16
So, some very talentedtalentueux people.
407
961000
3000
Ces personnes ont énormément de talent.
16:19
My mottodevise is always, I only hirelouer people that are smarterplus intelligent than I am
408
964000
3000
Ma devise est toujours : " N'embauche que des gens plus intelligents que toi",
16:22
and mostles plus of these are smarterplus intelligent than I am.
409
967000
2000
et la plupart d'entre eux sont plus intelligents que moi.
16:24
So thank you very much.
410
969000
2000
Merci beaucoup.
16:26
(ApplauseApplaudissements)
411
971000
4000
(Applaudissements)
Translated by Patrick Brault
Reviewed by Elisabeth Buffard

▲Back to top

ABOUT THE SPEAKER
Anders Ynnerman - Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction.

Why you should listen

Professor Anders Ynnerman received a Ph.D. in physics from Gothenburg University. During the early 90s he was doing research at Oxford University and Vanderbilt University. In 1996 he started the Swedish National Graduate School in Scientific Computing, which he directed until 1999. From 1997 to 2002 he directed the Swedish National Supercomputer Centre and from 2002 to 2006 he directed the Swedish National Infrastructure for Computing (SNIC).

Since 1999 he is holding a chair in scientific visualization at Linköping University and in 2000 he founded the Norrköping Visualization and Interaction Studio (NVIS). NVIS currently constitutes one of the main focal points for research and education in computer graphics and visualization in the Nordic region. Ynnerman is currently heading the build-up of a large scale center for Visualization in Norrköping.

More profile about the speaker
Anders Ynnerman | Speaker | TED.com