TEDxGöteborg 2010
Anders Ynnerman: Visualizing the medical data explosion
Άντερς Ινέρμαν: Απεικονίζοντας την έκρηξη των ιατρικών δεδομένων
Filmed:
Readability: 3.4
539,883 views
Σήμερα οι ιατρικές σαρώσεις παράγουν χιλιάδες εικόνες και terabytes δεδομένων για έναν ασθενή μέσα σε λίγα δευτερόλεπτα, αλλά πώς οι γιατροί αναλύουν αυτή την πληροφορία και προσδιορίζουν τι είναι χρήσιμο; Στο TEDxGöteborg, ο ειδικός στην επιστημονική απεικόνιση Άντερς Ινέρμαν μας παρουσιάζει εξελιγμένα νέα εργαλεία -- όπως εικονικές αυτοψίες -- για την ανάλυση των άπειρων δεδομένων, και μία ματιά σε μερικές τύπου επιστημονικής φαντασίας ιατρικές τεχνολογίες που είναι σε ανάπτυξη. Αυτή η ομιλία περιέχει μερικές γραφικές ιατρικές εικόνες.
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. Full bio
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 start by posing a little bit of a challenge:
0
0
4000
Θα ξεκινήσω θέτοντας μία πρόκληση,
00:19
the challenge of dealing with data,
1
4000
3000
την πρόκληση της διαχείρισης δεδομένων,
00:22
data that we have to deal with
2
7000
2000
δεδομένων που πρέπει να διαχειριστούμε
00:24
in medical situations.
3
9000
2000
σε ιατρικές περιστάσεις.
00:26
It's really a huge challenge for us.
4
11000
2000
Είναι πραγματικά μία τεράστια πρόκληση για μας
00:28
And this is our beast of burden --
5
13000
2000
και αυτό είναι το υποζύγιό μας.
00:30
this is a Computer Tomography machine,
6
15000
2000
Αυτό είναι ένα μηχάνημα υπολογιστικής αξονικής τομογραφίας --
00:32
a CT machine.
7
17000
2000
ένα μηχάνημα ΥΤ.
00:34
It's a fantastic device.
8
19000
2000
Είναι μία φανταστική συσκευή.
00:36
It uses X-rays, X-ray beams,
9
21000
2000
Χρησιμοποιεί ακτίνες Χ, δέσμες ακτίνων Χ,
00:38
that are rotating very fast around the human body.
10
23000
3000
οι οποίες περιστρέφονται πολύ γρήγορα γύρω από το ανθρώπινο σώμα.
00:41
It takes about 30 seconds to go through the whole machine
11
26000
2000
Παίρνει περίπου 30 δευτερόλεπτα για να περάσει μέσα από όλο το μηχάνημα
00:43
and is generating enormous amounts of information
12
28000
2000
και παράγει τεράστιες ποσότητες πληροφοριών
00:45
that comes out of the machine.
13
30000
2000
που εξάγονται από το μηχάνημα.
00:47
So this is a fantastic machine
14
32000
2000
Άρα είναι ένα φανταστικό μηχάνημα
00:49
that we can use
15
34000
2000
που μπορούμε να χρησιμοποιήσουμε
00:51
for improving health care,
16
36000
2000
για να βελτιώσουμε την υγειονομική περίθαλψη.
00:53
but as I said, it's also a challenge for us.
17
38000
2000
Άλλα όπως είπα, είναι επίσης μια πρόκληση για μας.
00:55
And the challenge is really found in this picture here.
18
40000
3000
Και η πρόκληση πραγματικά φαίνεται σε αυτή την εικόνα.
00:58
It's the medical data explosion
19
43000
2000
Είναι η έκρηξη των ιατρικών δεδομένων
01:00
that we're having right now.
20
45000
2000
που συμβαίνει τώρα.
01:02
We're facing this problem.
21
47000
2000
Αντιμετωπίζουμε αυτό το πρόβλημα.
01:04
And let me step back in time.
22
49000
2000
Και επιτρέψτε μου να πάω λίγο πίσω στο χρόνο.
01:06
Let's go back a few years in time and see what happened back then.
23
51000
3000
Ας πάμε λίγα χρόνια πίσω και να δούμε τι συνέβαινε τότε.
01:09
These machines that came out --
24
54000
2000
Αυτά τα μηχανήματα που εμφανίστηκαν --
01:11
they started coming in the 1970s --
25
56000
2000
άρχισαν να εμφανίζονται την δεκαετία του 1970 --
01:13
they would scan human bodies,
26
58000
2000
σάρωναν ανθρώπινα σώματα,
01:15
and they would generate about 100 images
27
60000
2000
και παρήγαγαν περίπου 100 εικόνες
01:17
of the human body.
28
62000
2000
από το ανθρώπινο σώμα.
01:19
And I've taken the liberty, just for clarity,
29
64000
2000
Και πήρα την πρωτοβουλία, για σαφήνεια,
01:21
to translate that to data slices.
30
66000
3000
να τις μετατρέψω σε φέτες δεδομένων.
01:24
That would correspond to about 50 megabytes of data,
31
69000
2000
Αυτό αποτελείται από περίπου 50 MB δεδομένων,
01:26
which is small
32
71000
2000
το οποίο είναι μικρό
01:28
when you think about the data we can handle today
33
73000
3000
αν σκεφτείς την ποσότητα δεδομένων που μπορούμε να διαχειριστούμε σήμερα
01:31
just on normal mobile devices.
34
76000
2000
σε απλές φορητές συσκευές.
01:33
If you translate that to phone books,
35
78000
2000
Αν μεταφράσεις αυτό σε τηλεφωνικούς καταλόγους,
01:35
it's about one meter of phone books in the pile.
36
80000
3000
είναι περίπου μία στοίβα ενός μέτρου από τηλεφωνικούς καταλόγους.
01:38
Looking at what we're doing today
37
83000
2000
Κοιτώντας τι κάνουμε σήμερα
01:40
with these machines that we have,
38
85000
2000
με τα μηχανήματα που έχουμε σήμερα,
01:42
we can, just in a few seconds,
39
87000
2000
μπορούμε, μέσα σε λίγα δευτερόλεπτα,
01:44
get 24,000 images out of a body,
40
89000
2000
να πάρουμε 24.000 εικόνες από ένα σώμα.
01:46
and that would correspond to about 20 gigabytes of data,
41
91000
3000
Και αυτό θα αντιστοιχεί σε περίπου 20 GB δεδομένων,
01:49
or 800 phone books,
42
94000
2000
ή 800 τηλεφωνικούς καταλόγους.
01:51
and the pile would then be 200 meters of phone books.
43
96000
2000
Και η στοίβα θα είναι περίπου 200 μέτρα από τηλεφωνικούς καταλόγους.
01:53
What's about to happen --
44
98000
2000
Το τι πρόκειται να γίνει --
01:55
and we're seeing this; it's beginning --
45
100000
2000
και το βλέπουμε, είναι η αρχή --
01:57
a technology trend that's happening right now
46
102000
2000
μία τεχνολογική τάση η οποία συμβαίνει τώρα
01:59
is that we're starting to look at time-resolved situations as well.
47
104000
3000
είναι ότι ξεκινάμε επίσης να βλέπουμε αποτελέσματα σε σχέση με το χρόνο.
02:02
So we're getting the dynamics out of the body as well.
48
107000
3000
Άρα επίσης παίρνουμε και τη δυναμική του σώματος.
02:05
And just assume
49
110000
2000
Και ας υποθέσουμε
02:07
that we will be collecting data during five seconds,
50
112000
3000
ότι θα συλλέξουμε δεδομένα για πέντε δευτερόλεπτα,
02:10
and that would correspond to one terabyte of data --
51
115000
2000
και αυτό θα αντιστοιχεί σε ένα terabyte δεδομένων.
02:12
that's 800,000 books
52
117000
2000
Αυτό είναι 800.000 βιβλία
02:14
and 16 kilometers of phone books.
53
119000
2000
και 16 χιλιόμετρα από τηλεφωνικούς καταλόγους.
02:16
That's one patient, one data set.
54
121000
2000
Αυτό είναι για έναν ασθενή, ένα σύνολο δεδομένων.
02:18
And this is what we have to deal with.
55
123000
2000
Και αυτό είναι που πρέπει να επεξεργαστούμε.
02:20
So this is really the enormous challenge that we have.
56
125000
3000
Άρα αυτό είναι μια πραγματική πρόκληση που έχουμε
02:23
And already today -- this is 25,000 images.
57
128000
3000
Και ήδη σήμερα -- αυτό είναι 25.000 εικόνες.
02:26
Imagine the days
58
131000
2000
Φανταστείτε τις ημέρες
02:28
when we had radiologists doing this.
59
133000
2000
που είχαμε ακτινολόγους να το κάνουν αυτό.
02:30
They would put up 25,000 images,
60
135000
2000
Θα αναρτούσαν 25.000 εικόνες,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
θα έκαναν το εξής, "25.000, εντάξει, εντάξει.
02:35
There is the problem."
62
140000
2000
Υπάρχει ένα πρόβλημα."
02:37
They can't do that anymore. That's impossible.
63
142000
2000
Δεν μπορούν να το κάνουν αυτό πια, είναι αδύνατον.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
144000
3000
Άρα θα πρέπει να κάνουμε κάτι που είναι περισσότερο ευφυές από αυτό.
02:43
So what we do is that we put all these slices together.
65
148000
2000
Άρα αυτό που κάνουμε είναι να βάλουμε όλες αυτές τις φέτες μαζί.
02:45
Imagine that you slice your body in all these directions,
66
150000
3000
Φανταστείτε ότι τεμαχίζετε το σώμα σας σε όλες αυτές τις κατευθύνσεις,
02:48
and then you try to put the slices back together again
67
153000
3000
και μετά προσπαθείτε να βάλετε τις φέτες πάλι μαζί
02:51
into a pile of data, into a block of data.
68
156000
2000
σε μία στοίβα δεδομένων, σε μία δομή δεδομένων.
02:53
So this is really what we're doing.
69
158000
2000
Επομένως αυτό είναι τι πραγματικά κάνουμε.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
160000
3000
Άρα αυτό το gigabyte ή terabyte δεδομένων, το βάζουμε σε αυτή τη δομή.
02:58
But of course, the block of data
71
163000
2000
Αλλά φυσικά, η δομή δεδομένων
03:00
just contains the amount of X-ray
72
165000
2000
απλά περιέχει το σύνολο των ακτίνων Χ
03:02
that's been absorbed in each point in the human body.
73
167000
2000
που έχουν απορροφηθεί από το κάθε σημείο στο ανθρώπινο σώμα.
03:04
So what we need to do is to figure out a way
74
169000
2000
Άρα αυτό που πρέπει να κάνουμε είναι να βρούμε ένα τρόπο
03:06
of looking at the things we do want to look at
75
171000
3000
για να κοιτάμε τα πράγματα που θέλουμε να κοιτάξουμε
03:09
and make things transparent that we don't want to look at.
76
174000
3000
και να κάνουμε διαφανή τα πράγματα που δεν θέλουμε να κοιτάξουμε.
03:12
So transforming the data set
77
177000
2000
Άρα μετατρέποντας το σύνολο δεδομένων
03:14
into something that looks like this.
78
179000
2000
σε κάτι που μοιάζει σαν και αυτό.
03:16
And this is a challenge.
79
181000
2000
Και αυτό είναι μία πρόκληση.
03:18
This is a huge challenge for us to do that.
80
183000
3000
Είναι μία τεράστια πρόκληση για μας για να γίνει αυτό.
03:21
Using computers, even though they're getting faster and better all the time,
81
186000
3000
Χρησιμοποιώντας υπολογιστές, αν και τώρα γίνονται γρηγορότεροι και καλύτεροι,
03:24
it's a challenge to deal with gigabytes of data,
82
189000
2000
είναι πρόκληση η διαχείριση giagabyte δεδομένων,
03:26
terabytes of data
83
191000
2000
terabyte δεδομένων
03:28
and extracting the relevant information.
84
193000
2000
και η εξόρυξη της σχετικής πληροφορίας.
03:30
I want to look at the heart.
85
195000
2000
Θέλω να κοιτάξω την καρδιά,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
197000
2000
θέλω να κοιτάξω τα αιμοφόρα αγγεία, θέλω να κοιτάξω το συκώτι,
03:34
Maybe even find a tumor,
87
199000
2000
Ισως ακόμα να βρω έναν όγκο
03:36
in some cases.
88
201000
2000
σε κάποιες περιπτώσεις.
03:39
So this is where this little dear comes into play.
89
204000
2000
Έτσι εδώ είναι που μπαίνει στο παιχνίδι αυτή η μικρή αγαπητή.
03:41
This is my daughter.
90
206000
2000
Αυτή είναι η κόρη μου.
03:43
This is as of 9 a.m. this morning.
91
208000
2000
Αυτό είναι από τις 9:00 πμ αυτό το πρωί.
03:45
She's playing a computer game.
92
210000
2000
Παίζει ένα παιχνίδι στον υπολογιστή.
03:47
She's only two years old,
93
212000
2000
Είναι μόνο δύο χρονών,
03:49
and she's having a blast.
94
214000
2000
και περνάει καταπληκτικά.
03:51
So she's really the driving force
95
216000
3000
Άρα αυτή είναι η πραγματική ώθηση
03:54
behind the development of graphics-processing units.
96
219000
3000
πίσω από την ανάπτυξη επεξεργαστών γραφικών.
03:58
As long as kids are playing computer games,
97
223000
2000
Όσο τα παιδιά παίζουν παιχνίδια στον υπολογιστή,
04:00
graphics is getting better and better and better.
98
225000
2000
τα γραφικά γίνονται όλο και καλύτερα.
04:02
So please go back home, tell your kids to play more games,
99
227000
2000
Άρα παρακαλώ πηγαίνετε πίσω στο σπίτι, πείτε τα παιδιά σας να παίζουν περισσότερα παιχνίδια,
04:04
because that's what I need.
100
229000
2000
γιατί αυτό είναι αυτό που χρειάζομαι.
04:06
So what's inside of this machine
101
231000
2000
Άρα αυτό που είναι μέσα σε αυτή τη μηχανή
04:08
is what enables me to do the things that I'm doing
102
233000
2000
είναι αυτό που με δίνει την δυνατότητα να κάνω τα πράματα που κάνω
04:10
with the medical data.
103
235000
2000
με τα ιατρικά δεδομένα.
04:12
So really what I'm doing is using these fantastic little devices.
104
237000
3000
Άρα πραγματικά αυτό που κάνω είναι να χρησιμοποιώ αυτές τις φανταστικές μικρές συσκευές.
04:15
And you know, going back
105
240000
2000
Και ξέρετε, πηγαίνοντας πίσω
04:17
maybe 10 years in time
106
242000
2000
ίσως 10 χρόνια
04:19
when I got the funding
107
244000
2000
όταν πήρα την χρηματοδότηση
04:21
to buy my first graphics computer --
108
246000
2000
για να αγοράσω τον πρώτο μου υπολογιστή γραφικών.
04:23
it was a huge machine.
109
248000
2000
Ήταν ένα τεράστιο μηχάνημα.
04:25
It was cabinets of processors and storage and everything.
110
250000
3000
Ήταν ντουλάπια από επεξεργαστές και μνήμη και τα πάντα.
04:28
I paid about one million dollars for that machine.
111
253000
3000
Πλήρωσα περίπου ένα εκατομμύριο δολάρια για εκείνο το μηχάνημα.
04:32
That machine is, today, about as fast as my iPhone.
112
257000
3000
Εκείνο το μηχάνημα, σήμερα, είναι περίπου τόσο γρήγορο όσο το iPhone μου.
04:37
So every month there are new graphics cards coming out,
113
262000
2000
Άρα κάθε μήνα βγαίνουν νέες κάρτες γραφικών.
04:39
and here is a few of the latest ones from the vendors --
114
264000
3000
Και εδώ είναι μερικές από τις τελευταίες από τους κατασκευαστές --
04:42
NVIDIA, ATI, Intel is out there as well.
115
267000
3000
NVIDIA, ATI, Intel κυκλοφορούν επίσης.
04:45
And you know, for a few hundred bucks
116
270000
2000
Και ξέρετε, με μερικά εκατοντάδες δολάρια
04:47
you can get these things and put them into your computer,
117
272000
2000
μπορείτε να πάρετε αυτά τα πράγματα και να τα βάλετε στον υπολογιστή σας,
04:49
and you can do fantastic things with these graphics cards.
118
274000
3000
και μπορείτε να κάνετε φανταστικά πράγματα με αυτές τις κάρτες γραφικών.
04:52
So this is really what's enabling us
119
277000
2000
Άρα αυτό είναι αυτό που πραγματικά μας δίνει την δυνατότητα
04:54
to deal with the explosion of data in medicine,
120
279000
3000
να αντιμετωπίσουμε την έκρηξη των δεδομένων στην ιατρική,
04:57
together with some really nifty work
121
282000
2000
μαζί με κάποια καλή δουλειά
04:59
in terms of algorithms --
122
284000
2000
από την άποψη αλγορίθμων --
05:01
compressing data,
123
286000
2000
συμπίεση δεδομένων,
05:03
extracting the relevant information that people are doing research on.
124
288000
3000
εξαγωγή της σχετικής πληροφορίας που οι άνθρωποι κάνουν έρευνα.
05:06
So I'm going to show you a few examples of what we can do.
125
291000
3000
Λοιπόν θα σας δείξω μερικά παραδείγματα για το τι μπορούμε να κάνουμε.
05:09
This is a data set that was captured using a CT scanner.
126
294000
3000
Αυτό είναι μία δομή δεδομένων που πήραμε χρησιμοποιώντας έναν αξονικό τομογράφο.
05:12
You can see that this is a full data [set].
127
297000
3000
Μπορείτε να δείτε ότι πρόκειται για πλήρη δεδομένα.
05:15
It's a woman. You can see the hair.
128
300000
3000
Είναι μία γυναίκα. Μπορείτε να δείτε τα μαλλιά.
05:18
You can see the individual structures of the woman.
129
303000
3000
Μπορείτε να δείτε τις μεμονωμένες δομές της γυναίκας.
05:21
You can see that there is [a] scattering of X-rays
130
306000
3000
Μπορείτε να δείτε μία διασκόρπιση ακτίνων Χ
05:24
on the teeth, the metal in the teeth.
131
309000
2000
στα δόντια, το μέταλλο μέσα στα δόντια.
05:26
That's where those artifacts are coming from.
132
311000
3000
Από εκεί προέρχονται αυτά τα τεχνουργήματα.
05:29
But fully interactively
133
314000
2000
Αλλά πλήρως διαδραστικά
05:31
on standard graphics cards on a normal computer,
134
316000
3000
με μία τυπική κάρτα γραφικών σε έναν απλό υπολογιστή,
05:34
I can just put in a clip plane.
135
319000
2000
μπορώ απλά να βάλω μία επιφάνεια.
05:36
And of course all the data is inside,
136
321000
2000
Και φυσικά όλα τα δεδομένα είναι μέσα,
05:38
so I can start rotating, I can look at it from different angles,
137
323000
3000
άρα μπορώ να ξεκινήσω να περιστρέφω, μπορώ να το δω από διαφορετικές γωνίες,
05:41
and I can see that this woman had a problem.
138
326000
3000
και μπορώ να δω ότι αυτή η γυναίκα είχε ένα πρόβλημα.
05:44
She had a bleeding up in the brain,
139
329000
2000
Έχει μία αιμορραγία στον εγκέφαλο,
05:46
and that's been fixed with a little stent,
140
331000
2000
και φτιάχτηκε με ένα μικρό ράμμα,
05:48
a metal clamp that's tightening up the vessel.
141
333000
2000
ένας μεταλλικός σφιγκτήρας που σφίγγει το αγγείο.
05:50
And just by changing the functions,
142
335000
2000
Και απλά αλλάζοντας τις συναρτήσεις,
05:52
then I can decide what's going to be transparent
143
337000
3000
μετά μπορώ να αποφασίσω τι θα είναι διαφανές
05:55
and what's going to be visible.
144
340000
2000
και το τι θα είναι ορατό.
05:57
I can look at the skull structure,
145
342000
2000
Μπορώ να κοιτάξω τη δομή του κρανίου,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
344000
3000
και μπορώ να δω ότι, εντάξει, εδώ είναι εκεί που άνοιξαν το κρανίο της γυναίκας,
06:02
and that's where they went in.
147
347000
2000
και εδώ είναι από που μπήκαν μέσα.
06:04
So these are fantastic images.
148
349000
2000
Άρα αυτές είναι φανταστικές εικόνες.
06:06
They're really high resolution,
149
351000
2000
Είναι πραγματικά υψηλής ανάλυσης,
06:08
and they're really showing us what we can do
150
353000
2000
και πραγματικά μας δείχνουν τι μπορούμε να κάνουμε
06:10
with standard graphics cards today.
151
355000
3000
με τυπικές κάρτες γραφικών σήμερα.
06:13
Now we have really made use of this,
152
358000
2000
Πραγματικά τώρα έχουμε κάνει χρήση αυτών,
06:15
and we have tried to squeeze a lot of data
153
360000
3000
και προσπαθήσαμε να στριμώξουμε πολλά δεδομένα
06:18
into the system.
154
363000
2000
στο σύστημα.
06:20
And one of the applications that we've been working on --
155
365000
2000
Και μία από τις εφαρμογές που δουλεύουμε --
06:22
and this has gotten a little bit of traction worldwide --
156
367000
3000
και αυτό έχει κερδίσει κάποια αποδοχή παγκοσμίως --
06:25
is the application of virtual autopsies.
157
370000
2000
είναι η εφαρμογή των εικονικών αυτοψιών.
06:27
So again, looking at very, very large data sets,
158
372000
2000
Έτσι πάλι, κοιτώντας σε πολύ, πολύ μεγάλα σύνολα δεδομένων,
06:29
and you saw those full-body scans that we can do.
159
374000
3000
και είδατε τις σαρώσεις πλήρως σώματος που μπορούμε να κάνουμε.
06:32
We're just pushing the body through the whole CT scanner,
160
377000
3000
Απλά περνάμε όλο το σώμα μέσα από τον σαρωτή ΥΤ,
06:35
and just in a few seconds we can get a full-body data set.
161
380000
3000
και μέσα σε λίγα δευτερόλεπτα μπορούμε να πάρουμε ένα σύνολο δεδομένων για ένα πλήρες σώμα.
06:38
So this is from a virtual autopsy.
162
383000
2000
Λοιπόν αυτό είναι από μία εικονική αυτοψία.
06:40
And you can see how I'm gradually peeling off.
163
385000
2000
Και μπορείτε να δείτε ότι ξεφλουδίζω σταδιακά.
06:42
First you saw the body bag that the body came in,
164
387000
3000
Πρώτα βλέπετε τον σάκο μέσα στον οποίο ήρθε το σώμα,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
390000
3000
μετά ξεφλουδίζω το δέρμα -- μπορείτε να δείτε τους μυείς --
06:48
and eventually you can see the bone structure of this woman.
166
393000
3000
και τελικά μπορείτε να δείτε τη δομή των οστών της γυναίκας.
06:51
Now at this point, I would also like to emphasize
167
396000
3000
Τώρα σε αυτό το σημείο, θα ήθελα να τονίσω
06:54
that, with the greatest respect
168
399000
2000
ότι, με το μεγαλύτερο σεβασμό
06:56
for the people that I'm now going to show --
169
401000
2000
για τους ανθρώπους που θα σας δείξω τώρα --
06:58
I'm going to show you a few cases of virtual autopsies --
170
403000
2000
θα σας δείξω μερικές περιπτώσεις εικονικών αυτοψιών --
07:00
so it's with great respect for the people
171
405000
2000
άρα είναι με μεγάλο σεβασμό για τους ανθρώπους
07:02
that have died under violent circumstances
172
407000
2000
που πέθαναν κάτω από βίαιες συνθήκες
07:04
that I'm showing these pictures to you.
173
409000
3000
που σας δείχνω τις εικόνες.
07:08
In the forensic case --
174
413000
2000
Στην εγκληματολογική υπόθεση --
07:10
and this is something
175
415000
2000
και αυτό είναι κάτι
07:12
that ... there's been approximately 400 cases so far
176
417000
2000
που υπάρχουν περίπου 400 υποθέσεις μέχρι τώρα
07:14
just in the part of Sweden that I come from
177
419000
2000
μόνο από το μέρος της Σουηδίας από όπου προέρχομαι
07:16
that has been undergoing virtual autopsies
178
421000
2000
που γίνονται εικονικές αυτοψίες
07:18
in the past four years.
179
423000
2000
τα τελευταία τέσσερα χρόνια.
07:20
So this will be the typical workflow situation.
180
425000
3000
Άρα αυτό είναι μία τυπική περίπτωση ροής εργασίας.
07:23
The police will decide --
181
428000
2000
Η αστυνομία θα αποφασίσει --
07:25
in the evening, when there's a case coming in --
182
430000
2000
το απόγευμα, όταν έρχεται μία υπόθεση --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
432000
3000
θα αποφασίσουν, εντάξει, αν είναι μία υπόθεση που χρειάζεται να κάνουμε αυτοψία.
07:30
So in the morning, in between six and seven in the morning,
184
435000
3000
Έτσι το πρωί, μεταξύ έξι και επτά το πρωί,
07:33
the body is then transported inside of the body bag
185
438000
2000
το σώμα μεταφέρεται μέσα στο σάκο
07:35
to our center
186
440000
2000
στο κέντρο μας
07:37
and is being scanned through one of the CT scanners.
187
442000
2000
και σαρώνεται με έναν από τους αξονικούς τομογράφους.
07:39
And then the radiologist, together with the pathologist
188
444000
2000
Και μετά ο ακτινολόγος, μαζί με τον παθολόγο
07:41
and sometimes the forensic scientist,
189
446000
2000
και μερικές φορές με τον εγκληματολόγο,
07:43
looks at the data that's coming out,
190
448000
2000
εξετάζουν τα δεδομένα που εξάγονται,
07:45
and they have a joint session.
191
450000
2000
και κάνουν μία σύσκεψη.
07:47
And then they decide what to do in the real physical autopsy after that.
192
452000
3000
Και αποφασίζουν τι θα κάνουν μετά, στην πραγματική αυτοψία.
07:52
Now looking at a few cases,
193
457000
2000
Τώρα κοιτώντας σε μερικές υποθέσεις,
07:54
here's one of the first cases that we had.
194
459000
2000
εδώ είναι μία από τις πρώτες υποθέσεις που είχαμε.
07:56
You can really see the details of the data set.
195
461000
3000
Πραγματικά μπορείτε να δείτε τις λεπτομέρειες του συνόλου δεδομένων
07:59
It's very high-resolution,
196
464000
2000
είναι πολύ υψηλής ανάλυσης.
08:01
and it's our algorithms that allow us
197
466000
2000
Και είναι οι αλγόριθμοι μας που μας επιτρέπουν
08:03
to zoom in on all the details.
198
468000
2000
να μεγεθύνουμε όλες τις λεπτομέρειες.
08:05
And again, it's fully interactive,
199
470000
2000
Και ξανά, είναι πλήρως διαδραστικό.
08:07
so you can rotate and you can look at things in real time
200
472000
2000
άρα μπορείς να περιστρέψεις και να κοιτάξεις πράματα σε πραγματικό χρόνο
08:09
on these systems here.
201
474000
2000
με αυτά τα συστήματα.
08:11
Without saying too much about this case,
202
476000
2000
Χωρίς να πω πολλά για αυτή την υπόθεση,
08:13
this is a traffic accident,
203
478000
2000
αυτό είναι ένα τροχαίο ατύχημα,
08:15
a drunk driver hit a woman.
204
480000
2000
ένας μεθυσμένος οδηγός χτύπησε μία γυναίκα.
08:17
And it's very, very easy to see the damages on the bone structure.
205
482000
3000
Είναι πολύ, πολύ εύκολο να δούμε τις ζημίες στα κόκαλα.
08:20
And the cause of death is the broken neck.
206
485000
3000
Και ο λόγος θανάτου είναι σπασμένος λαιμός.
08:23
And this women also ended up under the car,
207
488000
2000
Και επίσης αυτή η γυναίκα κατέληξε κάτω από το αυτοκίνητο,
08:25
so she's quite badly beaten up
208
490000
2000
άρα είναι αρκετά άσχημα χτυπημένη
08:27
by this injury.
209
492000
2000
από αυτό το χτύπημα.
08:29
Here's another case, a knifing.
210
494000
3000
Εδώ είναι μία άλλη υπόθεση, ένα μαχαίρωμα.
08:32
And this is also again showing us what we can do.
211
497000
2000
Και αυτό πάλι μας δείχνει τι μπορούμε να κάνουμε.
08:34
It's very easy to look at metal artifacts
212
499000
2000
Είναι πολύ εύκολο να κοιτάξουμε σε μεταλλικά τεχνουργήματα
08:36
that we can show inside of the body.
213
501000
3000
που μπορούμε να δούμε μέσα στο σώμα.
08:39
You can also see some of the artifacts from the teeth --
214
504000
3000
Επίσης μπορείτε να δείτε μερικά από τα τεχνουργήματα από τα δόντια --
08:42
that's actually the filling of the teeth --
215
507000
2000
που στην πραγματικότητα είναι τα σφραγίσματα στα δόντια --
08:44
but because I've set the functions to show me metal
216
509000
3000
αλλά επειδή το έθεσα σε λειτουργία να δείχνει τα μέταλλα
08:47
and make everything else transparent.
217
512000
2000
και να κάνει όλα τα υπόλοιπα διαφανή
08:49
Here's another violent case. This really didn't kill the person.
218
514000
3000
Εδώ είναι μία ακόμα βίαιη υπόθεση. Αυτό δεν σκότωσε το άτομο.
08:52
The person was killed by stabs in the heart,
219
517000
2000
Το άτομο σκοτώθηκε από μαχαιριές στην καρδιά,
08:54
but they just deposited the knife
220
519000
2000
απλά έβαλαν το μαχαίρι
08:56
by putting it through one of the eyeballs.
221
521000
2000
διαμέσου από ένα από τα μάτια.
08:58
Here's another case.
222
523000
2000
Εδώ είναι μία άλλη υπόθεση.
09:00
It's very interesting for us
223
525000
2000
Είναι πολύ ενδιαφέρον για μας
09:02
to be able to look at things like knife stabbings.
224
527000
2000
να μπορούμε να κοιτάμε πράματα όπως μαχαιρώματα.
09:04
Here you can see that knife went through the heart.
225
529000
3000
Εδώ μπορείτε να δείτε ότι το μαχαίρι διαπέρασε την καρδιά.
09:07
It's very easy to see how air has been leaking
226
532000
2000
Είναι πολύ εύκολο να δείτε πως διαρρέει αέρας
09:09
from one part to another part,
227
534000
2000
από το ένα μέρος στο άλλο,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
536000
3000
που είναι δύσκολο να γίνει σε μία κανονική, τυπική, φυσική αυτοψία.
09:14
So it really, really helps
229
539000
2000
Γι΄ αυτό πραγματικά βοηθάει
09:16
the criminal investigation
230
541000
2000
την ποινική έρευνα
09:18
to establish the cause of death,
231
543000
2000
να διαπιστωθεί η αιτία θανάτου,
09:20
and in some cases also directing the investigation in the right direction
232
545000
3000
και σε μερικές υποθέσεις επίσης κατευθύνει την έρευνα στην σωστή κατεύθυνση
09:23
to find out who the killer really was.
233
548000
2000
για να βρει ποιος ήταν πραγματικά ο δολοφόνος.
09:25
Here's another case that I think is interesting.
234
550000
2000
Εδώ είναι μία άλλη υπόθεση που πιστεύω είναι ενδιαφέρουσα
09:27
Here you can see a bullet
235
552000
2000
Εδώ μπορείτε να δείτε μία σφαίρα
09:29
that has lodged just next to the spine on this person.
236
554000
3000
που σφήνωσε ακριβώς δίπλα από την σπονδυλική στήλη αυτού του ατόμου.
09:32
And what we've done is that we've turned the bullet into a light source,
237
557000
3000
Και αυτό που κάναμε είναι να μετατρέψουμε την σφαίρα σε πηγή φωτός,
09:35
so that bullet is actually shining,
238
560000
2000
ώστε η σφαίρα στην πραγματικότητα λάμπει,
09:37
and it makes it really easy to find these fragments.
239
562000
3000
και το κάνει πραγματικά εύκολο να βρεις αυτά τα θραύσματα.
09:40
During a physical autopsy,
240
565000
2000
Κατά την διάρκεια μιας φυσικής αυτοψίας,
09:42
if you actually have to dig through the body to find these fragments,
241
567000
2000
αν πραγματικά χρειαστεί να σκάψεις μέσα στο σώμα για να βρεις αυτά τα θραύσματα,
09:44
that's actually quite hard to do.
242
569000
2000
αυτό είναι κάτι πραγματικά δύσκολο για να το κάνεις.
09:48
One of the things that I'm really, really happy
243
573000
2000
Ένα από τα πράματα για τα οποία είμαι πραγματικά χαρούμενος
09:50
to be able to show you here today
244
575000
3000
είναι ότι μπορώ να σας δείξω σήμερα
09:53
is our virtual autopsy table.
245
578000
2000
το εικονικό μας τραπέζι αυτοψίας.
09:55
It's a touch device that we have developed
246
580000
2000
Είναι μία συσκευή αφής που αναπτύξαμε
09:57
based on these algorithms, using standard graphics GPUs.
247
582000
3000
βασιζόμενοι σε αυτούς τους αλγορίθμους, χρησιμοποιώντας τυπικούς επεξεργαστές γραφικών.
10:00
It actually looks like this,
248
585000
2000
Μοιάζει πραγματικά σαν και αυτό,
10:02
just to give you a feeling for what it looks like.
249
587000
3000
απλά για να σας δώσω μία αίσθηση για το πως μοιάζει.
10:05
It really just works like a huge iPhone.
250
590000
3000
Πραγματικά απλά δουλεύει σαν ένα μεγάλο iPhone.
10:08
So we've implemented
251
593000
2000
Έτσι έχουμε υλοποιήσει
10:10
all the gestures you can do on the table,
252
595000
3000
όλες τις χειρονομίες που μπορείς να κάνεις πάνω στο τραπέζι,
10:13
and you can think of it as an enormous touch interface.
253
598000
4000
και μπορείς να το σκεφτείς σαν μία τεράστια διεπαφή αφής.
10:17
So if you were thinking of buying an iPad,
254
602000
2000
Άρα άμα σκέφτεστε να αγοράσετε ένα iPad,
10:19
forget about it. This is what you want instead.
255
604000
3000
ξεχάστε το, αυτό είναι αυτό που θέλετε αντί για εκείνο.
10:22
Steve, I hope you're listening to this, all right.
256
607000
3000
Στιβ, ελπίζω να το ακούς αυτό, ωραία.
10:26
So it's a very nice little device.
257
611000
2000
Επομένως είναι μία πολύ καλή μικρή συσκευή.
10:28
So if you have the opportunity, please try it out.
258
613000
2000
Άρα άμα έχετε την ευκαιρία, παρακαλώ δοκιμάστε το.
10:30
It's really a hands-on experience.
259
615000
3000
Είναι μία ενεργή εμπειρία.
10:33
So it gained some traction, and we're trying to roll this out
260
618000
3000
Έτσι έχει κερδίσει κάποια αποδοχή, και προσπαθούμε να το προωθήσουμε
10:36
and trying to use it for educational purposes,
261
621000
2000
και προσπαθούμε να το χρησιμοποιήσουμε για εκπαιδευτικούς σκοπούς,
10:38
but also, perhaps in the future,
262
623000
2000
αλλά επίσης, ίσως στο μέλλον,
10:40
in a more clinical situation.
263
625000
3000
σε περισσότερο κλινικές καταστάσεις.
10:43
There's a YouTube video that you can download and look at this,
264
628000
2000
Υπάρχει ένα YouTube βίντεο που μπορείτε να κατεβάσετε και να δείτε,
10:45
if you want to convey the information to other people
265
630000
2000
αν θέλετε να μεταφέρετε την πληροφορία σε άλλα άτομα
10:47
about virtual autopsies.
266
632000
3000
για εικονικές αυτοψίες.
10:50
Okay, now that we're talking about touch,
267
635000
2000
Εντάξει, τώρα που μιλάμε για αφή,
10:52
let me move on to really "touching" data.
268
637000
2000
επιτρέψτε μου να προχωρήσω στην πραγματική αφή των δεδομένων.
10:54
And this is a bit of science fiction now,
269
639000
2000
Και αυτό τώρα είναι λίγο επιστημονική φαντασία,
10:56
so we're moving into really the future.
270
641000
3000
άρα πραγματικά προχωράμε στο μέλλον.
10:59
This is not really what the medical doctors are using right now,
271
644000
3000
Αυτό δεν είναι στην πραγματικότητα αυτό που χρησιμοποιούν οι γιατροί τώρα,
11:02
but I hope they will in the future.
272
647000
2000
και ελπίζω ότι θα το κάνουν στο μέλλον.
11:04
So what you're seeing on the left is a touch device.
273
649000
3000
Λοιπόν αυτό που βλέπετε στα αριστερά της συσκευής αφής
11:07
It's a little mechanical pen
274
652000
2000
είναι ένα μικρό μηχανικό στυλό
11:09
that has very, very fast step motors inside of the pen.
275
654000
3000
που μέσα στο στυλό έχει πολύ, πολύ γρήγορους βηματικούς κινητήρες.
11:12
And so I can generate a force feedback.
276
657000
2000
Και έτσι μπορώ να παράγω μία δύναμη ανάδρασης.
11:14
So when I virtually touch data,
277
659000
2000
Άρα όταν εικονικά αγγίζω δεδομένα,
11:16
it will generate forces in the pen, so I get a feedback.
278
661000
3000
θα παράγει δυνάμεις αφής στο στυλό, ώστε να πάρω μία ανάδραση.
11:19
So in this particular situation,
279
664000
2000
Επομένως στην συγκεκριμένη περίπτωση,
11:21
it's a scan of a living person.
280
666000
2000
είναι μία σάρωση ενός ζωντανού ανθρώπου.
11:23
I have this pen, and I look at the data,
281
668000
3000
Έχω αυτό το στυλό και κοιτάω τα δεδομένα,
11:26
and I move the pen towards the head,
282
671000
2000
και κινώ το στυλό προς το κεφάλι,
11:28
and all of a sudden I feel resistance.
283
673000
2000
και ξαφνικά νοιώθω αντίσταση.
11:30
So I can feel the skin.
284
675000
2000
Άρα μπορώ να νιώσω το δέρμα.
11:32
If I push a little bit harder, I'll go through the skin,
285
677000
2000
Αν σπρώξω λίγο παραπάνω, θα διαπεράσω το δέρμα,
11:34
and I can feel the bone structure inside.
286
679000
3000
και μπορώ να νιώσω το κόκκαλο μέσα.
11:37
If I push even harder, I'll go through the bone structure,
287
682000
2000
Αν πιέσω ακόμα παραπάνω, θα διαπεράσω το κόκκαλο,
11:39
especially close to the ear where the bone is very soft.
288
684000
3000
ειδικά κοντά στο αυτί όπου το κόκκαλο είναι πολύ μαλακό.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
687000
3000
Και μπορώ να νιώσω τον εγκέφαλο μέσα, και θα είναι λασπώδεις σαν αυτό.
11:45
So this is really nice.
290
690000
2000
Επομένως αυτό είναι πραγματικά ωραίο.
11:47
And to take that even further, this is a heart.
291
692000
3000
Και για να το πάω αυτό παραπέρα, αυτή είναι μία καρδιά.
11:50
And this is also due to these fantastic new scanners,
292
695000
3000
Και αυτό είναι επίσης λόγο αυτών των φανταστικών νέων σαρωτών,
11:53
that just in 0.3 seconds,
293
698000
2000
που μόλις σε 0,3 δευτερόλεπτα,
11:55
I can scan the whole heart,
294
700000
2000
μπορώ να σαρώσω ολόκληρη την καρδιά
11:57
and I can do that with time resolution.
295
702000
2000
και μπορώ να το κάνω αυτό με ανάλυση χρόνου.
11:59
So just looking at this heart,
296
704000
2000
Επομένως απλά κοιτώντας αυτή την καρδιά,
12:01
I can play back a video here.
297
706000
2000
Μπορώ να αναπαράγω ένα βίντεο εδώ.
12:03
And this is Karljohan, one of my graduate students
298
708000
2000
Και αυτός είναι ο Καρλτζοχαν, ένας από τους μεταπτυχιακούς φοιτητές μου
12:05
who's been working on this project.
299
710000
2000
ο οποίος δουλεύει σε αυτό το πρόγραμμα.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
712000
3000
Και κάθεται εκεί μπροστά στην συσκευή Haptic, το σύστημα δυναμικής ανάδρασης,
12:10
and he's moving his pen towards the heart,
301
715000
3000
και κινεί το στυλό του προς την καρδιά,
12:13
and the heart is now beating in front of him,
302
718000
2000
και η καρδιά τώρα χτυπάει μπροστά του,
12:15
so he can see how the heart is beating.
303
720000
2000
επομένως, μπορεί να δει πως η καρδιά χτυπάει.
12:17
He's taken the pen, and he's moving it towards the heart,
304
722000
2000
Πήρε το στυλό και το κινεί προς την καρδιά,
12:19
and he's putting it on the heart,
305
724000
2000
και το πιέζει πάνω στην καρδιά,
12:21
and then he feels the heartbeats from the real living patient.
306
726000
3000
και μετά νοιώθει τους καρδιακούς παλμούς από τον ζωντανό ασθενή.
12:24
Then he can examine how the heart is moving.
307
729000
2000
Μετά μπορεί να εξετάσει πως η καρδιά κουνιέται.
12:26
He can go inside, push inside of the heart,
308
731000
2000
Μπορεί να πάει μέσα, να σπρώξει μέσα στην καρδιά,
12:28
and really feel how the valves are moving.
309
733000
3000
και πραγματικά να νιώσει πως κινούνται οι βαλβίδες.
12:31
And this, I think, is really the future for heart surgeons.
310
736000
3000
Και αυτό, πιστεύω, είναι πραγματικά το μέλλον για τους καρδιοχειρουργούς.
12:34
I mean it's probably the wet dream for a heart surgeon
311
739000
3000
Νομίζω ότι μάλλον είναι η ονείρωξη για έναν καρδιοχειρουργό
12:37
to be able to go inside of the patient's heart
312
742000
3000
το να μπορεί να μπει μέσα στην καρδιά του ασθενή του
12:40
before you actually do surgery,
313
745000
2000
πριν κάνει στην πραγματικότητα εγχείρηση,
12:42
and do that with high-quality resolution data.
314
747000
2000
και να το κάνει αυτό με υψηλής ποιότητας και ανάλυσης δεδομένα.
12:44
So this is really neat.
315
749000
2000
Επομένως, αυτό είναι πραγματικά φανταστικό.
12:47
Now we're going even further into science fiction.
316
752000
3000
Τώρα προχωράμε ακόμα παραπέρα στην επιστημονική φαντασία.
12:50
And we heard a little bit about functional MRI.
317
755000
3000
Και έχουμε ακούσει λίγα για την μαγνητική τομογραφία.
12:53
Now this is really an interesting project.
318
758000
3000
Τώρα, αυτό είναι πραγματικά ένα ενδιαφέρον πρόγραμμα.
12:56
MRI is using magnetic fields
319
761000
2000
Η μαγνητική τομογραφία χρησιμοποιεί μαγνητικά πεδία
12:58
and radio frequencies
320
763000
2000
και ραδιοσυχνότητες
13:00
to scan the brain, or any part of the body.
321
765000
3000
για να σαρώσει τον εγκέφαλο, ή οποιοδήποτε άλλο μέρος του σώματος.
13:03
So what we're really getting out of this
322
768000
2000
Άρα αυτό που στην πραγματικότητα παίρνουμε από αυτό
13:05
is information of the structure of the brain,
323
770000
2000
είναι πληροφορία για την δομή του εγκεφάλου,
13:07
but we can also measure the difference
324
772000
2000
αλλά μπορούμε επίσης να μετρήσουμε την διαφορά
13:09
in magnetic properties of blood that's oxygenated
325
774000
3000
στις μαγνητικές ιδιότητες του αίματος που οξυγονώνεται
13:12
and blood that's depleted of oxygen.
326
777000
3000
και αίματος που δεν έχει οξυγόνο.
13:15
That means that it's possible
327
780000
2000
Αυτό σημαίνει πως είναι δυνατόν
13:17
to map out the activity of the brain.
328
782000
2000
να χαρτογραφήσουμε την δραστηριότητα του εγκεφάλου.
13:19
So this is something that we've been working on.
329
784000
2000
Άρα αυτό είναι κάτι πάνω στο οποίο δουλέψαμε.
13:21
And you just saw Motts the research engineer, there,
330
786000
3000
Και μόλις είδατε τον Μοτς τον ερευνητή εκεί
13:24
going into the MRI system,
331
789000
2000
να μπαίνει μέσα στο σύστημα μαγνητικής τομογραφίας,
13:26
and he was wearing goggles.
332
791000
2000
φορώντας γυαλιά
13:28
So he could actually see things in the goggles.
333
793000
2000
Επομένως μπορούσε να δει πράγματα μέσα στα γυαλιά.
13:30
So I could present things to him while he's in the scanner.
334
795000
3000
Άρα μπορώ να του παρουσιάσω πράματα όσο είναι μέσα στον σαρωτή.
13:33
And this is a little bit freaky,
335
798000
2000
Και αυτό είναι λίγο παράξενο,
13:35
because what Motts is seeing is actually this.
336
800000
2000
γιατί αυτό που βλέπει ο Μοτς στην πραγματικότητα είναι αυτό.
13:37
He's seeing his own brain.
337
802000
3000
Βλέπει τον ίδιο του τον εγκέφαλο.
13:40
So Motts is doing something here,
338
805000
2000
Άρα ο Μοτς κάνει κάτι εκεί.
13:42
and probably he is going like this with his right hand,
339
807000
2000
Και ίσως κάνει αυτό με το δεξί του χέρι,
13:44
because the left side is activated
340
809000
2000
επειδή η αριστερή μεριά είναι ενεργοποιημένη
13:46
on the motor cortex.
341
811000
2000
στον κινητικό φλοιό.
13:48
And then he can see that at the same time.
342
813000
2000
Και έπειτα μπορεί να το δει αυτό την ίδια στιγμή.
13:50
These visualizations are brand new.
343
815000
2000
Αυτές οι απεικονίσεις είναι ολοκαίνουριες.
13:52
And this is something that we've been researching for a little while.
344
817000
3000
Και αυτό είναι κάτι που ερευνούσαμε για λίγο καιρό.
13:55
This is another sequence of Motts' brain.
345
820000
3000
Αυτή είναι μία άλλη ακολουθία του εγκεφάλου του Ματς.
13:58
And here we asked Motts to calculate backwards from 100.
346
823000
3000
Και εδώ ζητήσαμε από τον Ματς να υπολογίσει προς τα πίσω από το 100.
14:01
So he's going "100, 97, 94."
347
826000
2000
Άρα πάει "100, 97, 94."
14:03
And then he's going backwards.
348
828000
2000
Και έπειτα πηγαίνει προς τα πίσω.
14:05
And you can see how the little math processor is working up here in his brain
349
830000
3000
Και μπορείτε να δείτε τον μικρό επεξεργαστή μαθηματικών να δουλεύει εδώ μέσα στον εγκέφαλό του
14:08
and is lighting up the whole brain.
350
833000
2000
και ανάβει ολόκληρο τον εγκέφαλο.
14:10
Well this is fantastic. We can do this in real time.
351
835000
2000
Λοιπόν αυτό είναι φανταστικό. Μπορούμε να το κάνουμε σε πραγματικό χρόνο.
14:12
We can investigate things. We can tell him to do things.
352
837000
2000
Μπορούμε να ερευνήσουμε πράματα. Μπορούμε να το πούμε να κάνει πράγματα.
14:14
You can also see that his visual cortex
353
839000
2000
Μπορείτε επίσης να δείτε ότι ο οπτικός φλοιός
14:16
is activated in the back of the head,
354
841000
2000
είναι ενεργοποιημένος στο πίσω του κεφαλιού,
14:18
because that's where he's seeing, he's seeing his own brain.
355
843000
2000
επειδή εκεί είναι που βλέπει, βλέπει τον ίδιο του τον εγκέφαλο.
14:20
And he's also hearing our instructions
356
845000
2000
Και επίσης ακούει τις οδηγίες μας
14:22
when we tell him to do things.
357
847000
2000
όταν του λέμε να κάνει πράγματα.
14:24
The signal is really deep inside of the brain as well,
358
849000
2000
Επίσης το σήμα είναι πραγματικά βαθιά μέσα στον εγκέφαλο,
14:26
and it's shining through,
359
851000
2000
αλλά λάμπει από μέσα,
14:28
because all of the data is inside this volume.
360
853000
2000
γιατί όλα τα δεδομένα είναι μέσα σε αυτό το χώρο.
14:30
And in just a second here you will see --
361
855000
2000
Και σε ένα δευτερόλεπτο εδώ θα δείτε --
14:32
okay, here. Motts, now move your left foot.
362
857000
2000
Ωραία, εδώ. Μοτς, τώρα κούνα το αριστερό σου πόδι.
14:34
So he's going like this.
363
859000
2000
Άρα κάνει κάπως έτσι.
14:36
For 20 seconds he's going like that,
364
861000
2000
Και για 20 δευτερόλεπτα κάνει κάπως έτσι,
14:38
and all of a sudden it lights up up here.
365
863000
2000
και ξαφνικά ανάβει εδώ.
14:40
So we've got motor cortex activation up there.
366
865000
2000
Άρα έχουμε ενεργοποίηση του κινητικού φλοιού εδώ.
14:42
So this is really, really nice,
367
867000
2000
Άρα αυτό είναι πραγματικά, πραγματικά καλό.
14:44
and I think this is a great tool.
368
869000
2000
Και πιστεύω ότι είναι ένα καταπληκτικό εργαλείο.
14:46
And connecting also with the previous talk here,
369
871000
2000
Και επίσης συνδέοντας την προηγούμενη ομιλία,
14:48
this is something that we could use as a tool
370
873000
2000
αυτό είναι κάτι που θα μπορούσαμε να το χρησιμοποιήσουμε σαν εργαλείο
14:50
to really understand
371
875000
2000
να καταλάβουμε πραγματικά
14:52
how the neurons are working, how the brain is working,
372
877000
2000
πως δουλεύουν οι νευρώνες, πως δουλεύει ο εγκέφαλος,
14:54
and we can do this with very, very high visual quality
373
879000
3000
και μπορούμε να το κάνουμε αυτό με πολύ, πολύ μεγάλη οπτική ποιότητα
14:57
and very fast resolution.
374
882000
3000
και πολύ γρήγορη ανάλυση.
15:00
Now we're also having a bit of fun at the center.
375
885000
2000
Επίσης τώρα λίγο διασκεδάζουμε στο κέντρο.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
887000
3000
Λοιπόν αυτό είναι μία ΥΤ -- μία υπολογιστική αξονική τομογραφία.
15:06
So this is a lion from the local zoo
377
891000
2000
Λοιπόν αυτό είναι ένα λιοντάρι από τον τοπικό ζωολογικό κήπο
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
893000
3000
έξω από το Νόρσεπινγκ στο Κολμόρτεν, η Έλσα.
15:11
So she came to the center,
379
896000
2000
Λοιπόν ήρθε στο κέντρο,
15:13
and they sedated her
380
898000
2000
και την ναρκώσανε
15:15
and then put her straight into the scanner.
381
900000
2000
και απευθείας μετά την έβαλαν μέσα στον σαρωτή.
15:17
And then, of course, I get the whole data set from the lion.
382
902000
3000
Και μετά, φυσικά, πήρα ένα ολόκληρο σύνολο δεδομένων από το λιοντάρι.
15:20
And I can do very nice images like this.
383
905000
2000
Και μπορώ να κάνω μετά πολύ καλές εικόνες,όπως εδώ.
15:22
I can peel off the layer of the lion.
384
907000
2000
Μπορώ να ξεφλουδίσω το στρώμα από το λιοντάρι.
15:24
I can look inside of it.
385
909000
2000
Μπορώ να κοιτάξω μέσα του.
15:26
And we've been experimenting with this.
386
911000
2000
Και έχουμε πειραματιστεί με αυτό.
15:28
And I think this is a great application
387
913000
2000
Και νομίζω είναι μία μεγάλη εφαρμογή
15:30
for the future of this technology,
388
915000
2000
για το μέλλον αυτής της τεχνολογίας.
15:32
because there's very little known about the animal anatomy.
389
917000
3000
Γιατί λίγα είναι γνωστά για την ανατομία των ζώων.
15:35
What's known out there for veterinarians is kind of basic information.
390
920000
3000
Αυτό που είναι γνωστό στους κτηνιάτρους είναι κάτι σαν βασική πληροφορία.
15:38
We can scan all sorts of things,
391
923000
2000
Μπορούμε να σαρώσουμε διάφορα πράγματα.
15:40
all sorts of animals.
392
925000
2000
Όλων των ειδών ζώα.
15:42
The only problem is to fit it into the machine.
393
927000
3000
Το μόνο πρόβλημα είναι πως θα τα χωρέσουμε στο μηχάνημα.
15:45
So here's a bear.
394
930000
2000
Λοιπόν εδώ είναι μία αρκούδα.
15:47
It was kind of hard to get it in.
395
932000
2000
Ήταν κάπως δύσκολο να την βάλουμε μέσα.
15:49
And the bear is a cuddly, friendly animal.
396
934000
3000
Και η αρκούδα είναι ένα αγαπησιάρικο, φιλικό ζώο.
15:52
And here it is. Here is the nose of the bear.
397
937000
3000
Και εδώ είναι. Εδώ είναι η μύτη της αρκούδας.
15:55
And you might want to cuddle this one,
398
940000
3000
Και ίσως θέλεις να την αγκαλιάσεις αυτήν εδώ,
15:58
until you change the functions and look at this.
399
943000
3000
μέχρι να αλλάξεις την συνάρτηση και να φαίνεται έτσι.
16:01
So be aware of the bear.
400
946000
2000
Άρα να προσέχετε την αρκούδα.
16:03
So with that,
401
948000
2000
Έτσι με αυτό,
16:05
I'd like to thank all the people
402
950000
2000
θα ήθελα να ευχαριστήσω όλους
16:07
who have helped me to generate these images.
403
952000
2000
που με βοήθησαν να παράγω αυτές τις εικόνες.
16:09
It's a huge effort that goes into doing this,
404
954000
2000
Είναι μία μεγάλη προσπάθεια για να γίνει αυτό,
16:11
gathering the data and developing the algorithms,
405
956000
3000
να συλλέξεις τα δεδομένα και να αναπτύξεις τους αλγορίθμους,
16:14
writing all the software.
406
959000
2000
να γράψεις όλο το λογισμικό.
16:16
So, some very talented people.
407
961000
3000
Άρα κάποιοι πολύ ταλαντούχοι άνθρωποι.
16:19
My motto is always, I only hire people that are smarter than I am
408
964000
3000
Το ρητό μου πάντα είναι, να προσλαμβάνω μόνο ανθρώπους που είναι εξυπνότεροι από μένα
16:22
and most of these are smarter than I am.
409
967000
2000
και πολλοί από αυτούς είναι εξυπνότεροι από μένα.
16:24
So thank you very much.
410
969000
2000
Λοιπόν, σας ευχαριστώ πάρα πολύ.
16:26
(Applause)
411
971000
4000
(Χειροκρότημα)
ABOUT THE SPEAKER
Anders Ynnerman - Scientific visualization expertAnders 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.
Anders Ynnerman | Speaker | TED.com