TEDxGöteborg 2010
Anders Ynnerman: Visualizing the medical data explosion
אנדרס ינרמן: המחשה של התפוצצות מידע רפואי
Filmed:
Readability: 3.4
539,883 views
סקירות רפואיות היום מייצרות אלפי תמונות וטרה בייט של נתונים לכל חולה בשניות ספורות, אך כיצד מנתחים הרופאים את המידע וקובעים מה שימושי? בTEDxGöteborg מומחה ההמחשה המדעית אנדרס ינרמן מראה לנו כלים חדשים ומתוחכמים -- כמו נתיחת גופות וירטואלית - לניתוח מיגוון נתונים, והצצה לטכנולוגיות רפואיות שנשמעות כמו מדע בדיוני. הרצאה זו כוללת מספר תמונות רפואיות גראפיות.
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
אני אתחיל על ידי הצבת אתגר קטן,
00:19
the challenge of dealing with data,
1
4000
3000
האתגר של התמודדות עם נתונים,
00:22
data that we have to deal with
2
7000
2000
נתונים איתם צריך להתמודד
00:24
in medical situations.
3
9000
2000
במצבים רפואיים.
00:26
It's really a huge challenge for us.
4
11000
2000
זה באמת אתגר אדיר עבורנו.
00:28
And this is our beast of burden --
5
13000
2000
וזוהי בהמת המשא שלנו.
00:30
this is a Computer Tomography machine,
6
15000
2000
זוהי מכונת הטומוגרפיה הממוחשבת --
00:32
a CT machine.
7
17000
2000
מכונת ה-סי-טי.
00:34
It's a fantastic device.
8
19000
2000
זהו מכשיר מדהים.
00:36
It uses X-rays, X-ray beams,
9
21000
2000
הוא משתמש באלומות של קרני רנטגן,
00:38
that are rotating very fast around the human body.
10
23000
3000
שמסתובבות מאד מהר מסביב לגוף האדם.
00:41
It takes about 30 seconds to go through the whole machine
11
26000
2000
לוקח בערך 30 שניות לעבור דרך כל המכונה
00:43
and is generating enormous amounts of information
12
28000
2000
והיא מייצרת כמויות עצומות של מידע
00:45
that comes out of the machine.
13
30000
2000
שיוצא מהמכונה.
00:47
So this is a fantastic machine
14
32000
2000
אז זוהי מכונה מדהימה
00:49
that we can use
15
34000
2000
שאנחנו יכולים להשתמש
00:51
for improving health care,
16
36000
2000
כדי לשפר את הטיפול הרפואי.
00:53
but as I said, it's also a challenge for us.
17
38000
2000
אך כפי שאמרתי, זה גם מהווה אתגר עבורנו.
00:55
And the challenge is really found in this picture here.
18
40000
3000
והאתגר נמצא באמת בתמונה הזאת כאן.
00:58
It's the medical data explosion
19
43000
2000
זוהי התפוצצות של הנתונים הרפואיים
01:00
that we're having right now.
20
45000
2000
שיש לנו עכשיו.
01:02
We're facing this problem.
21
47000
2000
אנו מתמודדים עם הבעיה הזאת.
01:04
And let me step back in time.
22
49000
2000
הרשו לי לחזור בזמן.
01:06
Let's go back a few years in time and see what happened back then.
23
51000
3000
בואו נחזור מספר שנים ונראה מה קרה אז.
01:09
These machines that came out --
24
54000
2000
המכונות האלה שיצאו --
01:11
they started coming in the 1970s --
25
56000
2000
הם התחילו לצאת בשנות ה-70 --
01:13
they would scan human bodies,
26
58000
2000
הם סרקו את גוף האדם,
01:15
and they would generate about 100 images
27
60000
2000
והם יצרו בערך 100 תמונות
01:17
of the human body.
28
62000
2000
של גוף האדם.
01:19
And I've taken the liberty, just for clarity,
29
64000
2000
הרשיתי לעצמי, לצרכי בהירות,
01:21
to translate that to data slices.
30
66000
3000
לתרגם את זה לחתכים של נתונים.
01:24
That would correspond to about 50 megabytes of data,
31
69000
2000
זה מתרגם לבערך 50 מגה בייט של נתונים,
01:26
which is small
32
71000
2000
שזה מעט
01:28
when you think about the data we can handle today
33
73000
3000
כאשר אתם חושבים על הנתונים שאנחנו מסוגלים לטפל היום
01:31
just on normal mobile devices.
34
76000
2000
אפילו במכשיר נייד נורמלי.
01:33
If you translate that to phone books,
35
78000
2000
אם אתם מתרגמים את זה לספר טלפונים,
01:35
it's about one meter of phone books in the pile.
36
80000
3000
זה בערך מטר של ספרי טלפונים בערימה.
01:38
Looking at what we're doing today
37
83000
2000
אם תביטו מה אנחנו עושים היום
01:40
with these machines that we have,
38
85000
2000
בעזרת המכונות האלה שיש לנו,
01:42
we can, just in a few seconds,
39
87000
2000
אנחנו יכולים, אפילו בשניות ספורות,
01:44
get 24,000 images out of a body,
40
89000
2000
לקבל 24,000 תמונות מתוך הגוף.
01:46
and that would correspond to about 20 gigabytes of data,
41
91000
3000
וזה מתרגם לבערך 20 ג'יגה בייט של נתונים,
01:49
or 800 phone books,
42
94000
2000
או 800 ספרי טלפונים.
01:51
and the pile would then be 200 meters of phone books.
43
96000
2000
והערימה תהיה אז 200 מטר של ספרי טלפונים.
01:53
What's about to happen --
44
98000
2000
מה שעומד לקרות --
01:55
and we're seeing this; it's beginning --
45
100000
2000
ואנחנו רואים את זה, זה מתחיל --
01:57
a technology trend that's happening right now
46
102000
2000
מגמה טכנולוגית שמתרחשת ממש עכשיו
01:59
is that we're starting to look at time-resolved situations as well.
47
104000
3000
היא שאנחנו מתחילים לראות מצבים של תוצאות זמן גם כן.
02:02
So we're getting the dynamics out of the body as well.
48
107000
3000
אז אנחנו מקבלים את הדינמיקה של הגוף גם כן.
02:05
And just assume
49
110000
2000
ורק נניח
02:07
that we will be collecting data during five seconds,
50
112000
3000
שאנחנו אוספים נתונים במשך 5 שניות,
02:10
and that would correspond to one terabyte of data --
51
115000
2000
זה יתורגם לטרה בייט של נתונים.
02:12
that's 800,000 books
52
117000
2000
שהם 800,000 ספרים
02:14
and 16 kilometers of phone books.
53
119000
2000
ו-16 ק"מ של ספרי טלפונים.
02:16
That's one patient, one data set.
54
121000
2000
וזה רק חולה אחד, רק קבוצת נתונים אחת.
02:18
And this is what we have to deal with.
55
123000
2000
ועם זה אנחנו צריכים להתמודד.
02:20
So this is really the enormous challenge that we have.
56
125000
3000
אז יש לנו באמת אתגר אדיר.
02:23
And already today -- this is 25,000 images.
57
128000
3000
וכבר היום -- זה 25,000 תמונות.
02:26
Imagine the days
58
131000
2000
דמיינו את הימים
02:28
when we had radiologists doing this.
59
133000
2000
שהיו לנו רדיולוגים שעושים את זה.
02:30
They would put up 25,000 images,
60
135000
2000
הם היו שמים 25,000 תמונות,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
הם היו אומרים משהו כמו, "25,000, בסדר, בסדר.
02:35
There is the problem."
62
140000
2000
הנה הבעיה."
02:37
They can't do that anymore. That's impossible.
63
142000
2000
הם לא יכולים לעשות את זה יותר, זה בלתי אפשרי.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
144000
3000
אז אנחנו צריכים לעשות משהו קצת יותר אינטלגנטי מאשר לעשות את זה.
02:43
So what we do is that we put all these slices together.
65
148000
2000
אז אנחנו שמים את כל החתכים ביחד.
02:45
Imagine that you slice your body in all these directions,
66
150000
3000
דמיינו שאתם חותכים את הגוף שלכם בכל הכיוונים האלה,
02:48
and then you try to put the slices back together again
67
153000
3000
ואז אתם מנסים לשים את החתכים ביחד בחזרה שוב
02:51
into a pile of data, into a block of data.
68
156000
2000
לתוך ערימה של נתונים, לתוך בלוק של נתונים.
02:53
So this is really what we're doing.
69
158000
2000
אז זה באמת מה שאנחנו עושים.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
160000
3000
אז הג'יגה בייט או הטרה בייט של נתונים, אנחנו שמים אותם לתוך הבלוק הזה.
02:58
But of course, the block of data
71
163000
2000
אבל כמובן, הבלוק של הנתונים
03:00
just contains the amount of X-ray
72
165000
2000
רק כולל את הכמות של קרני הרנטגן
03:02
that's been absorbed in each point in the human body.
73
167000
2000
שנספגו בכל נקודה בגוף האדם.
03:04
So what we need to do is to figure out a way
74
169000
2000
אז מה שאנחנו צריכים לעשות זה למצוא דרך
03:06
of looking at the things we do want to look at
75
171000
3000
להסתכל בדברים שאנחנו רוצים לראות
03:09
and make things transparent that we don't want to look at.
76
174000
3000
ולגרום לדברים שאנחנו לא רוצים לראות להיות שקופים.
03:12
So transforming the data set
77
177000
2000
אז לשנות את קבוצת הנתונים
03:14
into something that looks like this.
78
179000
2000
למשהו שנראה כמו זה.
03:16
And this is a challenge.
79
181000
2000
וזהו אתגר.
03:18
This is a huge challenge for us to do that.
80
183000
3000
זה אתגר עצום בשבילנו.
03:21
Using computers, even though they're getting faster and better all the time,
81
186000
3000
שימוש במחשבים, אפילו שהם נעשים מהירים וטובים יותר כל הזמן,
03:24
it's a challenge to deal with gigabytes of data,
82
189000
2000
זה אתגר לעבד ג'יגות בייט של נתונים,
03:26
terabytes of data
83
191000
2000
טרות בייט של נתונים
03:28
and extracting the relevant information.
84
193000
2000
ולחלץ את המידע הרלוונטי.
03:30
I want to look at the heart.
85
195000
2000
אני רוצה להסתכל על הלב,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
197000
2000
אני רוצה להסתכל על עורקי הדם, אני רוצה להסתכל על הכבד,
03:34
Maybe even find a tumor,
87
199000
2000
אולי אפילו למצוא גידול
03:36
in some cases.
88
201000
2000
במקרים מסויימים.
03:39
So this is where this little dear comes into play.
89
204000
2000
אז זה המקום שהדבר הקטן והיקר הזה נכנס למשחק.
03:41
This is my daughter.
90
206000
2000
זוהי הבת שלי.
03:43
This is as of 9 a.m. this morning.
91
208000
2000
זוהי בשעה 9 בבוקר היום.
03:45
She's playing a computer game.
92
210000
2000
היא משחקת משחק מחשב.
03:47
She's only two years old,
93
212000
2000
היא רק בת שנתיים,
03:49
and she's having a blast.
94
214000
2000
והיא מאד נהנית.
03:51
So she's really the driving force
95
216000
3000
אז היא הכוח המוביל
03:54
behind the development of graphics-processing units.
96
219000
3000
מאחורי הפיתוח של יחידות העיבוד הגראפיות.
03:58
As long as kids are playing computer games,
97
223000
2000
כל עוד ילדים משחקים משחקי מחשב,
04:00
graphics is getting better and better and better.
98
225000
2000
הגראפיקה נעשית טובה יותר ויותר ויותר.
04:02
So please go back home, tell your kids to play more games,
99
227000
2000
אז אימרו בבקשה לילדכם לשחק יותר משחקים,
04:04
because that's what I need.
100
229000
2000
כי זה מה שאני צריך.
04:06
So what's inside of this machine
101
231000
2000
אז מה שיש בתוך המכונה הזאת
04:08
is what enables me to do the things that I'm doing
102
233000
2000
מאפשר לי לעשות את הדברים שאני עושה
04:10
with the medical data.
103
235000
2000
עם הנתונים הרפואיים.
04:12
So really what I'm doing is using these fantastic little devices.
104
237000
3000
אז אני משתמש במכשירים הקטנים והפנטסטים האלה.
04:15
And you know, going back
105
240000
2000
ואתם יודעים, בעבר
04:17
maybe 10 years in time
106
242000
2000
לפני אולי 10 שנים
04:19
when I got the funding
107
244000
2000
כאשר קיבלתי את המימון
04:21
to buy my first graphics computer --
108
246000
2000
לקנות את המחשב הגראפי הראשון שלי.
04:23
it was a huge machine.
109
248000
2000
זו היתה מכונה ענקית.
04:25
It was cabinets of processors and storage and everything.
110
250000
3000
ארונות של מעבדים, ואיחסון והכל.
04:28
I paid about one million dollars for that machine.
111
253000
3000
שילמתי בערך מיליון דולר עבורה.
04:32
That machine is, today, about as fast as my iPhone.
112
257000
3000
המכונה הזאת, היום, היא מהירה כמו האייפון שלי.
04:37
So every month there are new graphics cards coming out,
113
262000
2000
אז כל חודש יוצאים כרטיסים גראפיים חדשים.
04:39
and here is a few of the latest ones from the vendors --
114
264000
3000
והנה כמה מהאחרונים מהיצרנים --
04:42
NVIDIA, ATI, Intel is out there as well.
115
267000
3000
NVIDA, ATI ויש גם לאינטל.
04:45
And you know, for a few hundred bucks
116
270000
2000
ואתם יודעים, בעבור כמו מאות דולרים
04:47
you can get these things and put them into your computer,
117
272000
2000
אתם יכולים לשים את הדברים האלה בתוך המחשב שלכם,
04:49
and you can do fantastic things with these graphics cards.
118
274000
3000
ואתם יכולים לעשות דברים פנטסטיים בעזרתם.
04:52
So this is really what's enabling us
119
277000
2000
אז זה באמת מה שמאפשר לנו
04:54
to deal with the explosion of data in medicine,
120
279000
3000
להתמודד עם התפוצצות הנתונים ברפואה,
04:57
together with some really nifty work
121
282000
2000
ביחד עם כמה עבודות ממש איכותיות
04:59
in terms of algorithms --
122
284000
2000
במונחים של אלגוריתמים --
05:01
compressing data,
123
286000
2000
דחיסת נתונים,
05:03
extracting the relevant information that people are doing research on.
124
288000
3000
חילוץ המידע הרלוונטי שאנשים חוקרים.
05:06
So I'm going to show you a few examples of what we can do.
125
291000
3000
אז אני הולך להראות לכם מספר דוגמאות של מה שאנחנו יכולים לעשות.
05:09
This is a data set that was captured using a CT scanner.
126
294000
3000
זאת קבוצת נתונים שנוצרה בעזרת סורק סי-טי.
05:12
You can see that this is a full data [set].
127
297000
3000
אתם יכולים לראות שאלו נתונים מלאים.
05:15
It's a woman. You can see the hair.
128
300000
3000
זוהי אישה. אתם יכולים לראות את השיער.
05:18
You can see the individual structures of the woman.
129
303000
3000
אתם יכולים לראות את החלקים השונים של האישה.
05:21
You can see that there is [a] scattering of X-rays
130
306000
3000
אתם יכולים לראות את ההתפזרות של קרני הרנטגן
05:24
on the teeth, the metal in the teeth.
131
309000
2000
בשניים, המתכת בתוך השן.
05:26
That's where those artifacts are coming from.
132
311000
3000
זהו המקור לההפרעות האלה.
05:29
But fully interactively
133
314000
2000
אבל בצורה אינטראקטיבית לחלוטין
05:31
on standard graphics cards on a normal computer,
134
316000
3000
בעזרת כרטיס גראפי סטנדרטי של מחשב רגיל,
05:34
I can just put in a clip plane.
135
319000
2000
אני יכול להכניס משטח.
05:36
And of course all the data is inside,
136
321000
2000
וכמובן כל הנתונים בתוכו,
05:38
so I can start rotating, I can look at it from different angles,
137
323000
3000
ואז אני יכול לסובב, אני יכול להסתכל על זה מזוויות שונות,
05:41
and I can see that this woman had a problem.
138
326000
3000
ואני יכול לראות שלאישה הזאת היתה בעיה.
05:44
She had a bleeding up in the brain,
139
329000
2000
היה לה דימום במוח,
05:46
and that's been fixed with a little stent,
140
331000
2000
וזה תוקן בעזרת סטנט קטן,
05:48
a metal clamp that's tightening up the vessel.
141
333000
2000
אטב מתכת שמכווץ את כלי הדם.
05:50
And just by changing the functions,
142
335000
2000
ובעזרת שינוי הפונקציות בלבד,
05:52
then I can decide what's going to be transparent
143
337000
3000
אני יכול לקבוע מה יהיה שקוף
05:55
and what's going to be visible.
144
340000
2000
ומה יראה.
05:57
I can look at the skull structure,
145
342000
2000
אני יכול להסתכל במבנה הגולגולת,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
344000
3000
ואני יכול לראות היכן הם פתחו את הגולגולת של האישה הזאת,
06:02
and that's where they went in.
147
347000
2000
והיכן הם נכנסו.
06:04
So these are fantastic images.
148
349000
2000
אז אלו הם תמונות פנטסטיות.
06:06
They're really high resolution,
149
351000
2000
הן ברזולוציה גבוהה,
06:08
and they're really showing us what we can do
150
353000
2000
והן ממש מראות לנו מה אנחנו יכולים לעשות
06:10
with standard graphics cards today.
151
355000
3000
בעזרת כרטיסים גראפיים סטנדרטים היום.
06:13
Now we have really made use of this,
152
358000
2000
אנחנו באמת ניצלנו את זה,
06:15
and we have tried to squeeze a lot of data
153
360000
3000
וניסינו לדחוף הרבה נתונים
06:18
into the system.
154
363000
2000
לתוך המערכת.
06:20
And one of the applications that we've been working on --
155
365000
2000
ואחד הישומים שאנחנו עובדים עליו --
06:22
and this has gotten a little bit of traction worldwide --
156
367000
3000
שזכה לקצת הדים בעולם --
06:25
is the application of virtual autopsies.
157
370000
2000
הוא הישום של נתיחת גופות וירטואלית.
06:27
So again, looking at very, very large data sets,
158
372000
2000
בהסתכלות על קבוצות נתונים מאד גדולות,
06:29
and you saw those full-body scans that we can do.
159
374000
3000
וראיתם את סקירות הגוף המלאות שאנחנו מסוגלים לעשות.
06:32
We're just pushing the body through the whole CT scanner,
160
377000
3000
אנחנו פשוט מעבירים את הגוף דרך כל סורק ה-סי-טי,
06:35
and just in a few seconds we can get a full-body data set.
161
380000
3000
ובתוך מספר שניות אנחנו מקבלים נתונים עבור כל הגוף.
06:38
So this is from a virtual autopsy.
162
383000
2000
וזה מתוך נתיחת גופה וירטואלית.
06:40
And you can see how I'm gradually peeling off.
163
385000
2000
ואתם יכולים לראות איך אני מסיר שכבות בהדרגה.
06:42
First you saw the body bag that the body came in,
164
387000
3000
ראשית אתם רואים את שק הגופות שהגופה הגיעה בו,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
390000
3000
ואז אני מסיר את שכבת העור -- אתם יכולים לראות את השרירים --
06:48
and eventually you can see the bone structure of this woman.
166
393000
3000
ולבסוף אתם יכולים לראות את מבנה העצמות של האישה הזאת.
06:51
Now at this point, I would also like to emphasize
167
396000
3000
בנקודה זאת אני רוצה להדגיש
06:54
that, with the greatest respect
168
399000
2000
שעם כל הכבוד
06:56
for the people that I'm now going to show --
169
401000
2000
לאנשים שאני אראה עכשיו --
06:58
I'm going to show you a few cases of virtual autopsies --
170
403000
2000
אני אראה לכם מספר מקרים של נתיחת גופות וירטואליות --
07:00
so it's with great respect for the people
171
405000
2000
אז עם כל הכבוד לאנשים
07:02
that have died under violent circumstances
172
407000
2000
שמתו בנסיבות אלימות
07:04
that I'm showing these pictures to you.
173
409000
3000
אני מציג לכם את התמונות האלה.
07:08
In the forensic case --
174
413000
2000
בחקירת פשעים --
07:10
and this is something
175
415000
2000
שזה משהו
07:12
that ... there's been approximately 400 cases so far
176
417000
2000
שהיו בערך 400 מקרים עד עתה
07:14
just in the part of Sweden that I come from
177
419000
2000
רק בחלק של שבדיה שאני בא ממנו
07:16
that has been undergoing virtual autopsies
178
421000
2000
שעברו נתיחת גופות וירטואלית
07:18
in the past four years.
179
423000
2000
במהלך 4 השנים האחרונות.
07:20
So this will be the typical workflow situation.
180
425000
3000
אז הנה תהליך העבודה הטיפוסי.
07:23
The police will decide --
181
428000
2000
המשטרה מחליטה --
07:25
in the evening, when there's a case coming in --
182
430000
2000
בערב כאשר המקרה מגיע --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
432000
3000
שזהו מקרה שדורש נתיחת גופה.
07:30
So in the morning, in between six and seven in the morning,
184
435000
3000
אז בבוקר, בין שש ושבע בבוקר,
07:33
the body is then transported inside of the body bag
185
438000
2000
הגופה מועברת בתוך שק גופות
07:35
to our center
186
440000
2000
למרכז שלנו
07:37
and is being scanned through one of the CT scanners.
187
442000
2000
ונסרקת בתוך אחד מסורקי ה-סי-טי.
07:39
And then the radiologist, together with the pathologist
188
444000
2000
ואז הרדיולוג, ביחד עם הפתולוג
07:41
and sometimes the forensic scientist,
189
446000
2000
ולפעמים חוקר הפשעים המדעי,
07:43
looks at the data that's coming out,
190
448000
2000
מסתכלים בנתונים שיוצאים,
07:45
and they have a joint session.
191
450000
2000
והם מקיימים דיון משותף.
07:47
And then they decide what to do in the real physical autopsy after that.
192
452000
3000
ואז הם מחליטים מה לעשות בנתיחה הפיסית לאחר מכן.
07:52
Now looking at a few cases,
193
457000
2000
מהסתכלות במספר מקרים,
07:54
here's one of the first cases that we had.
194
459000
2000
הנה אחד המקרים הראשונים שהיו לנו.
07:56
You can really see the details of the data set.
195
461000
3000
אתם ממש יכולים לראות את הפרטים של קבוצת הנתונים,
07:59
It's very high-resolution,
196
464000
2000
זה ברזולוציה מאד גבוהה.
08:01
and it's our algorithms that allow us
197
466000
2000
ואלו האלגוריתמים שלנו שמאפשרים לנו
08:03
to zoom in on all the details.
198
468000
2000
להתמקד בכל הפרטים.
08:05
And again, it's fully interactive,
199
470000
2000
ושוב זה אינטרקטיבי לחלוטין,
08:07
so you can rotate and you can look at things in real time
200
472000
2000
אתם יכולים לסובב ואתם יכולים להביט בדברים בזמן אמיתי
08:09
on these systems here.
201
474000
2000
במערכות האלה כאן.
08:11
Without saying too much about this case,
202
476000
2000
בלי להגיד יותר מדי על המקרה הזה,
08:13
this is a traffic accident,
203
478000
2000
זוהי תאונת דרכים,
08:15
a drunk driver hit a woman.
204
480000
2000
נהג שיכור פגע באישה.
08:17
And it's very, very easy to see the damages on the bone structure.
205
482000
3000
וזה מאד מאד קל לראות את הנזקים במבנה העצמות.
08:20
And the cause of death is the broken neck.
206
485000
3000
וסיבת המוות היא צוואר שבור.
08:23
And this women also ended up under the car,
207
488000
2000
והאישה הזאת גם נמצאה מתחת למכונית,
08:25
so she's quite badly beaten up
208
490000
2000
כך שהיא נחבטה בצורה חמורה
08:27
by this injury.
209
492000
2000
בפגיעה הזאת.
08:29
Here's another case, a knifing.
210
494000
3000
הנה מקרה נוסף, דקירת סכין.
08:32
And this is also again showing us what we can do.
211
497000
2000
וזה שוב מראה מה אנחנו מסוגלים לעשות.
08:34
It's very easy to look at metal artifacts
212
499000
2000
זה מאד קל לראות את חלקי המתכת
08:36
that we can show inside of the body.
213
501000
3000
שאנחנו יכולים להציג בתוך הגוף.
08:39
You can also see some of the artifacts from the teeth --
214
504000
3000
אתם יכולים גם לראות חתיכות מהשיניים --
08:42
that's actually the filling of the teeth --
215
507000
2000
אלו באמת המילוי של השיניים --
08:44
but because I've set the functions to show me metal
216
509000
3000
אבל זה בגלל שכיוונו את הפונקציה להראות מתכת
08:47
and make everything else transparent.
217
512000
2000
ולהראות את כל השאר כשקוף.
08:49
Here's another violent case. This really didn't kill the person.
218
514000
3000
הנה עוד מקרה אלים. זה באמת לא הרג את האיש.
08:52
The person was killed by stabs in the heart,
219
517000
2000
האיש נרצח על ידי דקירות בלב,
08:54
but they just deposited the knife
220
519000
2000
אבל הם נעצו את הסכין
08:56
by putting it through one of the eyeballs.
221
521000
2000
בגלגל העין.
08:58
Here's another case.
222
523000
2000
הנה מקרה נוסף.
09:00
It's very interesting for us
223
525000
2000
זה מאד מעניין אותנו
09:02
to be able to look at things like knife stabbings.
224
527000
2000
להיות מסוגלים להביט בדברים כמו דקירות סכינים.
09:04
Here you can see that knife went through the heart.
225
529000
3000
כאן אתם יכולים לראות שהסכין עברה דרך הלב.
09:07
It's very easy to see how air has been leaking
226
532000
2000
מאד קל לראות איך האוויר התפזר
09:09
from one part to another part,
227
534000
2000
מחלק אחד לחלק אחר,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
536000
3000
דבר שהוא קשה לעשות בנתיחה פיזית רגילה וסטנדרטית.
09:14
So it really, really helps
229
539000
2000
אז זה ממש ממש עוזר
09:16
the criminal investigation
230
541000
2000
לחקירות פשעים
09:18
to establish the cause of death,
231
543000
2000
לקבוע את סיבת המוות,
09:20
and in some cases also directing the investigation in the right direction
232
545000
3000
ובמקרים מסוימים לכוון את החקירה לכיוון הנכון
09:23
to find out who the killer really was.
233
548000
2000
לגלות מי באמת היה הרוצח.
09:25
Here's another case that I think is interesting.
234
550000
2000
הנה עוד מקרה שאני חושב שהוא מעניין.
09:27
Here you can see a bullet
235
552000
2000
כאן אתם יכולים לראות קליע
09:29
that has lodged just next to the spine on this person.
236
554000
3000
שנמצא ממש ליד עמוד השדרה של האיש הזה.
09:32
And what we've done is that we've turned the bullet into a light source,
237
557000
3000
ומה שעשינו היה להפוך את הקליע למקור אור,
09:35
so that bullet is actually shining,
238
560000
2000
כך שהקליע ממש זורח,
09:37
and it makes it really easy to find these fragments.
239
562000
3000
וזה מקל על מציאת החלקיקים האלה.
09:40
During a physical autopsy,
240
565000
2000
במהלך נתיחה פיזית,
09:42
if you actually have to dig through the body to find these fragments,
241
567000
2000
אם אתם צריכים ממש לחפור בגוף כדי למצוא את החלקיקים האלה,
09:44
that's actually quite hard to do.
242
569000
2000
זה באמת די קשה.
09:48
One of the things that I'm really, really happy
243
573000
2000
אחד הדברים שממש ממש משמח אותי
09:50
to be able to show you here today
244
575000
3000
להראות לכם כיום
09:53
is our virtual autopsy table.
245
578000
2000
הוא שולחן הנתיחות הוירטואלי שלנו.
09:55
It's a touch device that we have developed
246
580000
2000
זה מכשיר מגע שפיתחנו
09:57
based on these algorithms, using standard graphics GPUs.
247
582000
3000
בהתבסס על האלגוריתמים האלה, בעזרת מעבדים גראפיים סטנדרטים.
10:00
It actually looks like this,
248
585000
2000
זה באמת נראה כך,
10:02
just to give you a feeling for what it looks like.
249
587000
3000
רק כדי לתת לכם את התחושה איך זה נראה.
10:05
It really just works like a huge iPhone.
250
590000
3000
זה עובד כמו אי-פון ענק.
10:08
So we've implemented
251
593000
2000
אנחנו ישמנו
10:10
all the gestures you can do on the table,
252
595000
3000
את כל המחוות שאתם יכולים לעשות על השולחן,
10:13
and you can think of it as an enormous touch interface.
253
598000
4000
ואתם יכולים לחשוב על זה כמו ממשק מגע ענקי.
10:17
So if you were thinking of buying an iPad,
254
602000
2000
אז אם חשבתם לקנות אי-פד,
10:19
forget about it. This is what you want instead.
255
604000
3000
תשכחו מזה, זה מה שאתם רוצים במקום.
10:22
Steve, I hope you're listening to this, all right.
256
607000
3000
סטיב, אני מקווה שאתה מקשיב לזה.
10:26
So it's a very nice little device.
257
611000
2000
אז זהו מכשיר קטן ומאד נחמד.
10:28
So if you have the opportunity, please try it out.
258
613000
2000
אז אם יש לכם הזדמנות, אנא נסו אותו.
10:30
It's really a hands-on experience.
259
615000
3000
זוהי ממש חווית מגע.
10:33
So it gained some traction, and we're trying to roll this out
260
618000
3000
אז זה מתחיל לצבור תאוצה, ואנחנו מנסים לשווק את זה
10:36
and trying to use it for educational purposes,
261
621000
2000
ומנסים להשתמש בזה לצרכים חינוכיים,
10:38
but also, perhaps in the future,
262
623000
2000
אבל גם, אולי בעתיד,
10:40
in a more clinical situation.
263
625000
3000
במצבים יותר קליניים.
10:43
There's a YouTube video that you can download and look at this,
264
628000
2000
יש סרטון יו-טיוב שאתם יכולים להוריד ולראות את זה,
10:45
if you want to convey the information to other people
265
630000
2000
אם אתם רוצים להעביר את המידע לאנשים אחרים
10:47
about virtual autopsies.
266
632000
3000
לגבי נתיחות וירטואליות.
10:50
Okay, now that we're talking about touch,
267
635000
2000
כאשר אנחנו מדברים על מגע,
10:52
let me move on to really "touching" data.
268
637000
2000
בואו ממש ניגע בנתונים.
10:54
And this is a bit of science fiction now,
269
639000
2000
וזה קצת מדע בדיוני עכשיו,
10:56
so we're moving into really the future.
270
641000
3000
ואנחנו עוברים באמת לעתיד.
10:59
This is not really what the medical doctors are using right now,
271
644000
3000
הרופאים לא באמת משתמשים בזה עכשיו,
11:02
but I hope they will in the future.
272
647000
2000
אבל אני מקווה שהם יעשו זאת בעתיד.
11:04
So what you're seeing on the left is a touch device.
273
649000
3000
אז מה שאנחנו רואים בצד שמאל הוא מכשיר מגע.
11:07
It's a little mechanical pen
274
652000
2000
זהו עט מכני קטן
11:09
that has very, very fast step motors inside of the pen.
275
654000
3000
שיש לו מנועי צעד מאד מאד מהירים בתוכו.
11:12
And so I can generate a force feedback.
276
657000
2000
כך שאני יכול ליצר משוב של לחיצה.
11:14
So when I virtually touch data,
277
659000
2000
כך שכשאני נוגע בנתונים בצורה וירטואלית,
11:16
it will generate forces in the pen, so I get a feedback.
278
661000
3000
זה ייצר כוחות מגע בעט, כך שאני מקבל משוב.
11:19
So in this particular situation,
279
664000
2000
מצב מסוים זה,
11:21
it's a scan of a living person.
280
666000
2000
הוא סריקה של אדם חי.
11:23
I have this pen, and I look at the data,
281
668000
3000
יש לי את העט, ואני מביט בנתונים,
11:26
and I move the pen towards the head,
282
671000
2000
ואני מזיז את העט לכיוון הראש,
11:28
and all of a sudden I feel resistance.
283
673000
2000
ופתאום אני מרגיש התנגדות.
11:30
So I can feel the skin.
284
675000
2000
כך שאני יכול להרגיש את העור.
11:32
If I push a little bit harder, I'll go through the skin,
285
677000
2000
אם אני לוחץ קצת יותר חזק, אני אחדור את העור,
11:34
and I can feel the bone structure inside.
286
679000
3000
ואני יכול לחוש את מבנה העצמות בפנים.
11:37
If I push even harder, I'll go through the bone structure,
287
682000
2000
אם אני לוחץ יותר חזק, אני אחדור את מבנה העצמות,
11:39
especially close to the ear where the bone is very soft.
288
684000
3000
ביחוד ליד האוזן בו העצם היא מאד רכה.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
687000
3000
ואז אני יכול לחוש את המוח בפנים, וזה יהיה רכרוכי.
11:45
So this is really nice.
290
690000
2000
אז זה ממש נחמד.
11:47
And to take that even further, this is a heart.
291
692000
3000
וכדי לקחת את זה יותר רחוק, זהו הלב.
11:50
And this is also due to these fantastic new scanners,
292
695000
3000
וגם זה בעזרת הסורקים החדשים הפנטסטיים,
11:53
that just in 0.3 seconds,
293
698000
2000
תוך 0.3 שניות,
11:55
I can scan the whole heart,
294
700000
2000
אני יכול לסרוק את כל הלב,
11:57
and I can do that with time resolution.
295
702000
2000
ואני יכול לעשות את זה ברזולוציה של זמן.
11:59
So just looking at this heart,
296
704000
2000
ורק באמצעות הסתכלות על הלב הזה,
12:01
I can play back a video here.
297
706000
2000
אני יכול לנגן את הוידאו אחורה.
12:03
And this is Karljohan, one of my graduate students
298
708000
2000
וזהו קרליואן, אחד התלמידים שלי,
12:05
who's been working on this project.
299
710000
2000
שעבד על הפרויקט הזה.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
712000
3000
והוא יושב לפני מכשיר המגע הזה, מערכת משוב הכוח,
12:10
and he's moving his pen towards the heart,
301
715000
3000
והוא מזיז את העט לכיוון הלב,
12:13
and the heart is now beating in front of him,
302
718000
2000
והלב עכשיו פועם מולו,
12:15
so he can see how the heart is beating.
303
720000
2000
והוא יכול לראות כיצד הלב פועם.
12:17
He's taken the pen, and he's moving it towards the heart,
304
722000
2000
הוא לוקח את העט, ומקרב אותו ללב,
12:19
and he's putting it on the heart,
305
724000
2000
והוא מניח אותו על הלב,
12:21
and then he feels the heartbeats from the real living patient.
306
726000
3000
ואז הוא מרגיש את פעימות הלב של חולה אמיתי.
12:24
Then he can examine how the heart is moving.
307
729000
2000
ואז הוא יכול לבדוק כיצד הלב זז.
12:26
He can go inside, push inside of the heart,
308
731000
2000
הוא יכול להכנס פנימה, לתוך הלב,
12:28
and really feel how the valves are moving.
309
733000
3000
וממש לחוש כיצד המסתמים זזים.
12:31
And this, I think, is really the future for heart surgeons.
310
736000
3000
וזהו, אני חושב, העתיד של נתוחי הלב.
12:34
I mean it's probably the wet dream for a heart surgeon
311
739000
3000
זהו כנראה החלום הרטוב של מנתחי הלב
12:37
to be able to go inside of the patient's heart
312
742000
3000
להיות מסוגלים לחדור לתוך הלב של החולה
12:40
before you actually do surgery,
313
745000
2000
לפני שהם ממש עושים את הניתוח,
12:42
and do that with high-quality resolution data.
314
747000
2000
ולעשות את זה עם נתונים ברזולוציה גבוהה.
12:44
So this is really neat.
315
749000
2000
אז זה ממש מגניב.
12:47
Now we're going even further into science fiction.
316
752000
3000
עכשיו נלך אפילו יותר רחוק לתוך המדע הבדיוני.
12:50
And we heard a little bit about functional MRI.
317
755000
3000
אנחנו שומעים קצת על אמ-אר-אי פונקציונלי.
12:53
Now this is really an interesting project.
318
758000
3000
זהו באמת פרויקט מעניין.
12:56
MRI is using magnetic fields
319
761000
2000
אמ-אר-אי משתמש בשדות מגנטיים
12:58
and radio frequencies
320
763000
2000
וגלי רדיו
13:00
to scan the brain, or any part of the body.
321
765000
3000
כדי לסרוק את המוח, או כל חלק אחר בגוף.
13:03
So what we're really getting out of this
322
768000
2000
מה שאנחנו באמת מקבלים
13:05
is information of the structure of the brain,
323
770000
2000
זהו מידע על המבנה של המוח,
13:07
but we can also measure the difference
324
772000
2000
אבל אנחנו גם יכולים למדוד את ההבדלים
13:09
in magnetic properties of blood that's oxygenated
325
774000
3000
בתכונות המגנטיות של הדם המחומצן
13:12
and blood that's depleted of oxygen.
326
777000
3000
והדם שיצא ממנו החמצן.
13:15
That means that it's possible
327
780000
2000
זה אומר שניתן
13:17
to map out the activity of the brain.
328
782000
2000
למפות את פעילות המוח.
13:19
So this is something that we've been working on.
329
784000
2000
אז זהו דבר שאנחנו עובדים עליו.
13:21
And you just saw Motts the research engineer, there,
330
786000
3000
ובדיוק ראיתם את מוטס, מהנדס המחקר שם
13:24
going into the MRI system,
331
789000
2000
נכנס לתוך מערכת האמ-אר-אי,
13:26
and he was wearing goggles.
332
791000
2000
והוא לבש משקפיים.
13:28
So he could actually see things in the goggles.
333
793000
2000
כך שהוא יכול לראות דברים במשקפיים.
13:30
So I could present things to him while he's in the scanner.
334
795000
3000
אני יכול להציג לו דברים כאשר הוא בתוך הסורק.
13:33
And this is a little bit freaky,
335
798000
2000
וזה קצת מפחיד,
13:35
because what Motts is seeing is actually this.
336
800000
2000
בגלל שמה שמוטס רואה זה בעצם את זה.
13:37
He's seeing his own brain.
337
802000
3000
הוא רואה את המוח שלו.
13:40
So Motts is doing something here,
338
805000
2000
מוטס עושה כאן משהו.
13:42
and probably he is going like this with his right hand,
339
807000
2000
והוא עושה כך בידו הימנית,
13:44
because the left side is activated
340
809000
2000
בגלל שהצד השמאלי מופעל
13:46
on the motor cortex.
341
811000
2000
בקורטקס המוטורי.
13:48
And then he can see that at the same time.
342
813000
2000
ואז הוא יכול לראות את זה באותו הזמן.
13:50
These visualizations are brand new.
343
815000
2000
המחשות אלו הן חדשות לחלוטין.
13:52
And this is something that we've been researching for a little while.
344
817000
3000
זה משהו שאנחנו חוקרים כבר זמן מה.
13:55
This is another sequence of Motts' brain.
345
820000
3000
זהו רצף נוסף של מוחו של מוטס.
13:58
And here we asked Motts to calculate backwards from 100.
346
823000
3000
כאן ביקשנו ממוטס לחשב אחורנית מ-100.
14:01
So he's going "100, 97, 94."
347
826000
2000
הוא סופר "100, 97, 94."
14:03
And then he's going backwards.
348
828000
2000
והוא ממשיך אחורה.
14:05
And you can see how the little math processor is working up here in his brain
349
830000
3000
ואתם יכולים לראות כיצד המעבד החשבוני עובד כאן במוח שלו
14:08
and is lighting up the whole brain.
350
833000
2000
והוא מאיר את כל המוח.
14:10
Well this is fantastic. We can do this in real time.
351
835000
2000
זה פנטסטי. אנחנו יכולים לעשות זאת בזמן אמיתי.
14:12
We can investigate things. We can tell him to do things.
352
837000
2000
אפשר לחקור דברים. אפשר לומר לו לעשות דברים.
14:14
You can also see that his visual cortex
353
839000
2000
אפשר לראות שהקורטקס הויזואלי שלו
14:16
is activated in the back of the head,
354
841000
2000
מופעל בחלק האחורי של הראש,
14:18
because that's where he's seeing, he's seeing his own brain.
355
843000
2000
בגלל ששם הוא רואה, הוא רואה את המוח שלו עצמו.
14:20
And he's also hearing our instructions
356
845000
2000
והוא גם שומע את ההוראות שלנו
14:22
when we tell him to do things.
357
847000
2000
כשאנחנו אומרים לו לעשות דברים.
14:24
The signal is really deep inside of the brain as well,
358
849000
2000
האות הוא ממש עמוק בתוך המוח,
14:26
and it's shining through,
359
851000
2000
אבל הוא זורח החוצה,
14:28
because all of the data is inside this volume.
360
853000
2000
מאחר וכל הנתונים הם בתוך החלק הזה.
14:30
And in just a second here you will see --
361
855000
2000
ובתוך שניה אתם תוכלו לראות --
14:32
okay, here. Motts, now move your left foot.
362
857000
2000
אוקי, כאן. מוטס, הזז את הרגל השמאלית שלך.
14:34
So he's going like this.
363
859000
2000
אז הוא עושה כך.
14:36
For 20 seconds he's going like that,
364
861000
2000
במשך 20 שניות הוא עושה זאת,
14:38
and all of a sudden it lights up up here.
365
863000
2000
ופתאום זה נדלק כאן.
14:40
So we've got motor cortex activation up there.
366
865000
2000
אז יש לנו פעילות באזור המוטורי למעלה שם.
14:42
So this is really, really nice,
367
867000
2000
זה ממש ממש נחמד.
14:44
and I think this is a great tool.
368
869000
2000
ואני חושב שזה כלי נהדר.
14:46
And connecting also with the previous talk here,
369
871000
2000
ומתקשר גם לשיחה הקודמת כאן,
14:48
this is something that we could use as a tool
370
873000
2000
זהו דבר שנוכל להשתמש ככלי
14:50
to really understand
371
875000
2000
כדי להבין באמת
14:52
how the neurons are working, how the brain is working,
372
877000
2000
איך העצבים עובדים, איך המוח עובד,
14:54
and we can do this with very, very high visual quality
373
879000
3000
ואנחנו יכולים לעשות זאת באיכות חזותית מאד מאד גבוהה
14:57
and very fast resolution.
374
882000
3000
ורזולוציה מאד מהירה.
15:00
Now we're also having a bit of fun at the center.
375
885000
2000
אנחנו גם קצת מבלים במרכז.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
887000
3000
אז זוהי סריקת קאט - מיפוי בעזרת מחשב.
15:06
So this is a lion from the local zoo
377
891000
2000
אז זוהי לביאה מגן החיות המקומי
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
893000
3000
מחוץ לנורקופינג בקולמרדן, באזור אלזה.
15:11
So she came to the center,
379
896000
2000
אז היא הגיעה למרכז,
15:13
and they sedated her
380
898000
2000
והם סיממו אותה
15:15
and then put her straight into the scanner.
381
900000
2000
ואז הכניסו אותה ישר לתוך הסורק.
15:17
And then, of course, I get the whole data set from the lion.
382
902000
3000
ואז, כמובן, קיבלתי את כל הנתונים מהאריה.
15:20
And I can do very nice images like this.
383
905000
2000
ואני יכול לעשות תמונות מאד יפות כמו זאת.
15:22
I can peel off the layer of the lion.
384
907000
2000
אני יכול לקלף את השכבות של האריה.
15:24
I can look inside of it.
385
909000
2000
אני יכול להביט לתוכו.
15:26
And we've been experimenting with this.
386
911000
2000
ואנחנו עושים ניסויים עם זה.
15:28
And I think this is a great application
387
913000
2000
ואני חושב שזה ישום נהדר
15:30
for the future of this technology,
388
915000
2000
לעתיד של הטכנולוגיה הזאת.
15:32
because there's very little known about the animal anatomy.
389
917000
3000
בגלל שאנחנו יודעים מעט מאד על האנטומיה של החיות.
15:35
What's known out there for veterinarians is kind of basic information.
390
920000
3000
מה שהוטרינרים יודעים זה מידע בסיסי בלבד.
15:38
We can scan all sorts of things,
391
923000
2000
אנחנו יכולים לסרוק כל מיני דברים,
15:40
all sorts of animals.
392
925000
2000
כל מיני חיות.
15:42
The only problem is to fit it into the machine.
393
927000
3000
הבעיה היחידה היא להכניס אותם לתוך המכונה.
15:45
So here's a bear.
394
930000
2000
אז הנה דב.
15:47
It was kind of hard to get it in.
395
932000
2000
זה היה די קשה להכניס אותו פנימה.
15:49
And the bear is a cuddly, friendly animal.
396
934000
3000
והדב הוא חיה ידידותית.
15:52
And here it is. Here is the nose of the bear.
397
937000
3000
הנה הוא כאן. זהו האף של הדב.
15:55
And you might want to cuddle this one,
398
940000
3000
ואתם אולי תרצו לחבק את הדב הזה,
15:58
until you change the functions and look at this.
399
943000
3000
עד שתשנו את הפונקציות כך.
16:01
So be aware of the bear.
400
946000
2000
אז תזהרו מהדב.
16:03
So with that,
401
948000
2000
וכך
16:05
I'd like to thank all the people
402
950000
2000
אני רוצה להודות לכל האנשים
16:07
who have helped me to generate these images.
403
952000
2000
שעזרו לי ליצור את התמונות האלה.
16:09
It's a huge effort that goes into doing this,
404
954000
2000
זהו מאמץ אדיר שמושקע בזה,
16:11
gathering the data and developing the algorithms,
405
956000
3000
איסוף הנתונים ופיתוח האלגוריתמים,
16:14
writing all the software.
406
959000
2000
וכתיבת כל התוכנה.
16:16
So, some very talented people.
407
961000
3000
אנשים מאד מוכשרים.
16:19
My motto is always, I only hire people that are smarter than I am
408
964000
3000
המוטו שלי הוא תמיד, אני תמיד מגייס אנשים שיותר חכמים ממני
16:22
and most of these are smarter than I am.
409
967000
2000
ורוב האנשים האלה הם חכמים יותר ממני.
16:24
So thank you very much.
410
969000
2000
אז תודה רבה לכם.
16:26
(Applause)
411
971000
4000
(מחיאות כפיים)
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