TEDxGöteborg 2010
Anders Ynnerman: Visualizing the medical data explosion
Anders Ynnerman: het visualiseren van de explosie van medische data
Filmed:
Readability: 3.4
539,883 views
Vandaag produceren medische scans duizenden afbeeldingen en terabytes aan gegevens voor een enkele patiënt in enkele seconden, maar hoe moeten artsen deze informatie ontleden en bepalen wat nuttig is? Op TEDxGöteborg toont expert wetenschappelijke visualisatie Anders Ynnerman ons geavanceerde nieuwe tools - zoals virtuele autopsies - voor het analyseren van de ontelbare gegevens en een glimp van sci-fi-achtige medische technologieën in ontwikkeling. Deze lezing bevat een aantal expliciete medische beelden.
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
Ik begin met het voorstellen van een uitdaging,
00:19
the challenge of dealing with data,
1
4000
3000
de uitdaging van het omgaan met gegevens,
00:22
data that we have to deal with
2
7000
2000
gegevens waarmee we te maken hebben
00:24
in medical situations.
3
9000
2000
in medische situaties.
00:26
It's really a huge challenge for us.
4
11000
2000
Het is echt een enorme uitdaging voor ons.
00:28
And this is our beast of burden --
5
13000
2000
En dit is ons trekpaard.
00:30
this is a Computer Tomography machine,
6
15000
2000
Een computer-tomografiemachine -
00:32
a CT machine.
7
17000
2000
een CT-machine.
00:34
It's a fantastic device.
8
19000
2000
Het is een fantastisch apparaat.
00:36
It uses X-rays, X-ray beams,
9
21000
2000
Het maakt gebruik van X-stralen, bundels van X-stralen,
00:38
that are rotating very fast around the human body.
10
23000
3000
die zeer snel roteren rond het menselijk lichaam.
00:41
It takes about 30 seconds to go through the whole machine
11
26000
2000
Het duurt ongeveer 30 seconden om door de hele machine te gaan
00:43
and is generating enormous amounts of information
12
28000
2000
en het genereert enorme hoeveelheden informatie
00:45
that comes out of the machine.
13
30000
2000
die uit de machine komen.
00:47
So this is a fantastic machine
14
32000
2000
Dit is een fantastische machine
00:49
that we can use
15
34000
2000
die we kunnen gebruiken
00:51
for improving health care,
16
36000
2000
voor de verbetering van de gezondheidszorg.
00:53
but as I said, it's also a challenge for us.
17
38000
2000
Maar zoals ik al zei, het is ook een uitdaging voor ons.
00:55
And the challenge is really found in this picture here.
18
40000
3000
En de uitdaging is echt te zien op deze foto hier.
00:58
It's the medical data explosion
19
43000
2000
Het is de medische-data-explosie
01:00
that we're having right now.
20
45000
2000
die we nu hebben.
01:02
We're facing this problem.
21
47000
2000
We worden geconfronteerd met dit probleem.
01:04
And let me step back in time.
22
49000
2000
Laat me een stap teruggaan in de tijd.
01:06
Let's go back a few years in time and see what happened back then.
23
51000
3000
Laten we een paar jaren teruggaan en zien waar we toen stonden.
01:09
These machines that came out --
24
54000
2000
De machines van toen -
01:11
they started coming in the 1970s --
25
56000
2000
ze begonnen op te komen in de jaren '70 -
01:13
they would scan human bodies,
26
58000
2000
konden menselijke lichamen scannen,
01:15
and they would generate about 100 images
27
60000
2000
en ongeveer 100 beelden genereren
01:17
of the human body.
28
62000
2000
van het menselijk lichaam.
01:19
And I've taken the liberty, just for clarity,
29
64000
2000
Ik heb ze, voor alle duidelijkheid,
01:21
to translate that to data slices.
30
66000
3000
omgezet in de dataplakjes.
01:24
That would correspond to about 50 megabytes of data,
31
69000
2000
Dit zou overeenkomen met ongeveer 50 MB aan gegevens,
01:26
which is small
32
71000
2000
wat niet veel is
01:28
when you think about the data we can handle today
33
73000
3000
als je dat vergelijkt met de gegevens die we vandaag de dag
01:31
just on normal mobile devices.
34
76000
2000
kunnen verwerken op gewone mobiele apparaten.
01:33
If you translate that to phone books,
35
78000
2000
Als je dat vertaalt naar telefoonboeken,
01:35
it's about one meter of phone books in the pile.
36
80000
3000
dan komt dat ongeveer overeen met een stapel telefoonboeken van één meter hoog.
01:38
Looking at what we're doing today
37
83000
2000
Kijk eens naar wat we vandaag doen
01:40
with these machines that we have,
38
85000
2000
met de machines die we nu hebben,
01:42
we can, just in a few seconds,
39
87000
2000
we kunnen nu in een paar seconden,
01:44
get 24,000 images out of a body,
40
89000
2000
24.000 beelden van een lichaam maken.
01:46
and that would correspond to about 20 gigabytes of data,
41
91000
3000
En dat zou overeenkomen met ongeveer 20 GB aan gegevens,
01:49
or 800 phone books,
42
94000
2000
of 800 telefoonboeken.
01:51
and the pile would then be 200 meters of phone books.
43
96000
2000
En de stapel zou dan 200 meter hoog zijn.
01:53
What's about to happen --
44
98000
2000
Wat er te gebeuren staat -
01:55
and we're seeing this; it's beginning --
45
100000
2000
en we zien dit als het begin -
01:57
a technology trend that's happening right now
46
102000
2000
een technologietrend die nu bezig is,
01:59
is that we're starting to look at time-resolved situations as well.
47
104000
3000
is dat we ook beginnen te kijken naar in de tijd verlopende processen.
02:02
So we're getting the dynamics out of the body as well.
48
107000
3000
We kunnen nu ook de dynamiek van het lichaam zien.
02:05
And just assume
49
110000
2000
En veronderstel even
02:07
that we will be collecting data during five seconds,
50
112000
3000
dat we gedurende vijf seconden gegevens verzamelen,
02:10
and that would correspond to one terabyte of data --
51
115000
2000
dan zou dat overeenkomen met één terabyte aan gegevens.
02:12
that's 800,000 books
52
117000
2000
Dat zijn 800.000 telefoonboeken
02:14
and 16 kilometers of phone books.
53
119000
2000
of een stapel van 16 km hoog.
02:16
That's one patient, one data set.
54
121000
2000
Dat is één patiënt, één dataset.
02:18
And this is what we have to deal with.
55
123000
2000
En dit is het waarmee we nu te maken hebben.
02:20
So this is really the enormous challenge that we have.
56
125000
3000
Dit is de enorme uitdaging waarvoor we staan.
02:23
And already today -- this is 25,000 images.
57
128000
3000
En nu al - dit zijn 25.000 beelden.
02:26
Imagine the days
58
131000
2000
Denk eens terug aan de dagen
02:28
when we had radiologists doing this.
59
133000
2000
toen radiologen dit deden.
02:30
They would put up 25,000 images,
60
135000
2000
Als je 25.000 platen zou moeten ophangen,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
zou dat zo gaan... 25.000, oke, oke.
02:35
There is the problem."
62
140000
2000
Dat is het probleem."
02:37
They can't do that anymore. That's impossible.
63
142000
2000
Zo gaat het niet meer, dat is onmogelijk.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
144000
3000
Dus moeten naar iets zoeken dat een beetje intelligenter is.
02:43
So what we do is that we put all these slices together.
65
148000
2000
We voegen nu al deze plakjes samen.
02:45
Imagine that you slice your body in all these directions,
66
150000
3000
Stel je voor dat je je lichaam in al deze richtingen in plakjes snijdt,
02:48
and then you try to put the slices back together again
67
153000
3000
en dan moet je proberen de plakjes weer samen te voegen
02:51
into a pile of data, into a block of data.
68
156000
2000
tot een stapel van gegevens, tot een blok gegevens.
02:53
So this is really what we're doing.
69
158000
2000
Daar zijn we nu mee bezig.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
160000
3000
We brengen deze giga- of terabyte aan gegevens samen tot een geheel.
02:58
But of course, the block of data
71
163000
2000
Maar natuurlijk stellen deze gegevens
03:00
just contains the amount of X-ray
72
165000
2000
alleen de hoeveelheid aan X-straling voor
03:02
that's been absorbed in each point in the human body.
73
167000
2000
die is geabsorbeerd door elk punt in het menselijk lichaam.
03:04
So what we need to do is to figure out a way
74
169000
2000
Wat we moeten doen is een manier vinden
03:06
of looking at the things we do want to look at
75
171000
3000
om te kijken naar de dingen die we willen bekijken
03:09
and make things transparent that we don't want to look at.
76
174000
3000
en alles doorzichtig maken, wat we niet willen bekijken.
03:12
So transforming the data set
77
177000
2000
Dus het transformeren van de dataset
03:14
into something that looks like this.
78
179000
2000
in iets dat er zo uitziet.
03:16
And this is a challenge.
79
181000
2000
Dit is een uitdaging.
03:18
This is a huge challenge for us to do that.
80
183000
3000
Dit is voor ons een enorme uitdaging.
03:21
Using computers, even though they're getting faster and better all the time,
81
186000
3000
Ook al worden computers de hele tijd sneller en beter,
03:24
it's a challenge to deal with gigabytes of data,
82
189000
2000
blijft het toch een uitdaging om om te gaan
03:26
terabytes of data
83
191000
2000
met gigabytes en terabytes aan gegevens
03:28
and extracting the relevant information.
84
193000
2000
en de relevante informatie eruit te halen.
03:30
I want to look at the heart.
85
195000
2000
Ik wil kijken naar een hart,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
197000
2000
naar de bloedvaten, naar de lever,
03:34
Maybe even find a tumor,
87
199000
2000
en misschien zelfs een tumor ontdekken
03:36
in some cases.
88
201000
2000
in sommige gevallen.
03:39
So this is where this little dear comes into play.
89
204000
2000
Dit is waar dit kleine lieve ding
03:41
This is my daughter.
90
206000
2000
in beeld komt. Dit is mijn dochter.
03:43
This is as of 9 a.m. this morning.
91
208000
2000
Om 9 uur vanmorgen.
03:45
She's playing a computer game.
92
210000
2000
Ze speelt een computerspel.
03:47
She's only two years old,
93
212000
2000
Ze is pas twee jaar oud,
03:49
and she's having a blast.
94
214000
2000
en ze heeft er lol in.
03:51
So she's really the driving force
95
216000
3000
Zij is de echte drijvende kracht
03:54
behind the development of graphics-processing units.
96
219000
3000
achter de ontwikkeling van Graphics Processing Units (GPU's).
03:58
As long as kids are playing computer games,
97
223000
2000
Zolang kinderen computerspelletjes spelen,
04:00
graphics is getting better and better and better.
98
225000
2000
worden de graphics steeds beter en beter en beter.
04:02
So please go back home, tell your kids to play more games,
99
227000
2000
Dus ga terug naar huis, vertel uw kinderen om meer games te spelen,
04:04
because that's what I need.
100
229000
2000
want dat is wat ik nodig heb.
04:06
So what's inside of this machine
101
231000
2000
Wat er in deze machine zit
04:08
is what enables me to do the things that I'm doing
102
233000
2000
stelt mij in staat om de dingen te doen die ik doe
04:10
with the medical data.
103
235000
2000
met medische gegevens.
04:12
So really what I'm doing is using these fantastic little devices.
104
237000
3000
Wat ik dus eigenlijk doe is gebruik maken van deze fantastische kleine apparaten.
04:15
And you know, going back
105
240000
2000
En weet je, ongeveer
04:17
maybe 10 years in time
106
242000
2000
10 jaar geleden
04:19
when I got the funding
107
244000
2000
kreeg ik de financiering rond
04:21
to buy my first graphics computer --
108
246000
2000
om mijn eerste grafische computer te kopen.
04:23
it was a huge machine.
109
248000
2000
Het was een grote machine.
04:25
It was cabinets of processors and storage and everything.
110
250000
3000
Het waren kasten vol processoren en opslagmedia.
04:28
I paid about one million dollars for that machine.
111
253000
3000
Ik betaalde ongeveer een miljoen dollar voor die machine.
04:32
That machine is, today, about as fast as my iPhone.
112
257000
3000
Die machine is vandaag de dag ongeveer even snel als mijn iPhone.
04:37
So every month there are new graphics cards coming out,
113
262000
2000
Dus elke maand komen er nieuwe grafische kaarten uit.
04:39
and here is a few of the latest ones from the vendors --
114
264000
3000
En hier zie je een paar van de meest recente types van de fabrikanten -
04:42
NVIDIA, ATI, Intel is out there as well.
115
267000
3000
NVIDIA, ATI, ook Intel.
04:45
And you know, for a few hundred bucks
116
270000
2000
Voor een paar honderd dollar
04:47
you can get these things and put them into your computer,
117
272000
2000
kan je deze dingen kopen en in je computer steken,
04:49
and you can do fantastic things with these graphics cards.
118
274000
3000
en je kunt fantastische dingen doen met deze grafische kaarten.
04:52
So this is really what's enabling us
119
277000
2000
Dit is het dus wat ons in staat stelt
04:54
to deal with the explosion of data in medicine,
120
279000
3000
om om te gaan met de explosie van gegevens in de geneeskunde,
04:57
together with some really nifty work
121
282000
2000
samen met echt vernuftig werk
04:59
in terms of algorithms --
122
284000
2000
in termen van algoritmen,
05:01
compressing data,
123
286000
2000
het comprimeren van gegevens,
05:03
extracting the relevant information that people are doing research on.
124
288000
3000
om de relevante informatie, waar mensen onderzoek op doen, eruit te halen.
05:06
So I'm going to show you a few examples of what we can do.
125
291000
3000
Dus ga ik je een paar voorbeelden laten zien van wat we kunnen.
05:09
This is a data set that was captured using a CT scanner.
126
294000
3000
Dit is een dataset die werd geregistreerd met behulp van een CT-scanner.
05:12
You can see that this is a full data [set].
127
297000
3000
Je kunt zien dat dit een volledige dataset is.
05:15
It's a woman. You can see the hair.
128
300000
3000
Het is een vrouw. Je kunt de haren zien.
05:18
You can see the individual structures of the woman.
129
303000
3000
Je kunt de aparte structuren van de vrouw zien.
05:21
You can see that there is [a] scattering of X-rays
130
306000
3000
Je kunt zien dat er verstrooiing is van X-stralen
05:24
on the teeth, the metal in the teeth.
131
309000
2000
op de tanden, op het metaal in de tanden.
05:26
That's where those artifacts are coming from.
132
311000
3000
Daar komen deze artefacten vandaan.
05:29
But fully interactively
133
314000
2000
Maar volledig interactief met de standaard
05:31
on standard graphics cards on a normal computer,
134
316000
3000
grafische kaarten van een normale computer,
05:34
I can just put in a clip plane.
135
319000
2000
kan ik een doorsnede tonen.
05:36
And of course all the data is inside,
136
321000
2000
En natuurlijk zitten alle gegevens erin,
05:38
so I can start rotating, I can look at it from different angles,
137
323000
3000
dus kan ik gaan draaien, ik kan kijken vanuit verschillende invalshoeken,
05:41
and I can see that this woman had a problem.
138
326000
3000
en ik kan zien dat deze vrouw een probleem had.
05:44
She had a bleeding up in the brain,
139
329000
2000
Ze had een bloeding in de hersenen,
05:46
and that's been fixed with a little stent,
140
331000
2000
en dat werd opgelost met een kleine stent,
05:48
a metal clamp that's tightening up the vessel.
141
333000
2000
een metalen klem die het bloedvat afklemt.
05:50
And just by changing the functions,
142
335000
2000
En alleen maar door het veranderen van de instellingen,
05:52
then I can decide what's going to be transparent
143
337000
3000
kan ik beslissen waar ik doorheen kijk
05:55
and what's going to be visible.
144
340000
2000
of wat zichtbaar blijft.
05:57
I can look at the skull structure,
145
342000
2000
Ik kan kijken naar de schedelstructuur,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
344000
3000
en ik kan zien dat, oke, dit is waar ze de schedel van deze vrouw openden,
06:02
and that's where they went in.
147
347000
2000
en dat is waar ze naar binnen gingen.
06:04
So these are fantastic images.
148
349000
2000
Dit zijn fantastische beelden.
06:06
They're really high resolution,
149
351000
2000
Ze hebben een echt hoge resolutie,
06:08
and they're really showing us what we can do
150
353000
2000
En ze laten zien wat we kunnen doen
06:10
with standard graphics cards today.
151
355000
3000
met de standaard grafische kaarten van vandaag.
06:13
Now we have really made use of this,
152
358000
2000
We hebben hier echt gebruik van gemaakt,
06:15
and we have tried to squeeze a lot of data
153
360000
3000
en geprobeerd om een heleboel gegevens
06:18
into the system.
154
363000
2000
in het systeem te persen.
06:20
And one of the applications that we've been working on --
155
365000
2000
En een van de toepassingen waar we aan hebben gewerkt -
06:22
and this has gotten a little bit of traction worldwide --
156
367000
3000
en dit heeft wereldwijd nogal wat aandacht gekregen -
06:25
is the application of virtual autopsies.
157
370000
2000
is de toepassing van virtuele autopsie.
06:27
So again, looking at very, very large data sets,
158
372000
2000
Het gaat weer over het bekijken van zeer, zeer grote datasets,
06:29
and you saw those full-body scans that we can do.
159
374000
3000
je zag al die full-body scans die we kunnen uitvoeren.
06:32
We're just pushing the body through the whole CT scanner,
160
377000
3000
Hier zijn we bezig met een lichaam door de CT-scanner te duwen,
06:35
and just in a few seconds we can get a full-body data set.
161
380000
3000
en slechts in een paar seconden krijgen we een full-body dataset.
06:38
So this is from a virtual autopsy.
162
383000
2000
Dit is dus virtuele autopsie.
06:40
And you can see how I'm gradually peeling off.
163
385000
2000
En je kunt zien hoe ik geleidelijk laag na laag afpel.
06:42
First you saw the body bag that the body came in,
164
387000
3000
Eerst zag je de lijkzak waarin het lichaam zat,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
390000
3000
hier pel ik de huid af - zie je de spieren -
06:48
and eventually you can see the bone structure of this woman.
166
393000
3000
en uiteindelijk zie je de botstructuur van deze vrouw.
06:51
Now at this point, I would also like to emphasize
167
396000
3000
Hier zou ik ook graag benadrukken
06:54
that, with the greatest respect
168
399000
2000
dat, met het grootste respect
06:56
for the people that I'm now going to show --
169
401000
2000
voor de mensen die ik nu ga laten zien -
06:58
I'm going to show you a few cases of virtual autopsies --
170
403000
2000
ik ga een paar gevallen van virtuele autopsies laten zien -
07:00
so it's with great respect for the people
171
405000
2000
het dus is met groot respect voor de mensen
07:02
that have died under violent circumstances
172
407000
2000
die zijn overleden onder gewelddadige omstandigheden
07:04
that I'm showing these pictures to you.
173
409000
3000
dat ik deze foto's aan u toon.
07:08
In the forensic case --
174
413000
2000
In het forensische geval -
07:10
and this is something
175
415000
2000
en er zijn al
07:12
that ... there's been approximately 400 cases so far
176
417000
2000
ongeveer 400 tot nu toe
07:14
just in the part of Sweden that I come from
177
419000
2000
alleen al in het deel van Zweden waar ik vandaan kom
07:16
that has been undergoing virtual autopsies
178
421000
2000
die virtuele autopsies hebben ondergaan
07:18
in the past four years.
179
423000
2000
in de afgelopen vier jaar.
07:20
So this will be the typical workflow situation.
180
425000
3000
Dit is een typische werksituatie.
07:23
The police will decide --
181
428000
2000
De politie zal beslissen -
07:25
in the evening, when there's a case coming in --
182
430000
2000
's avonds als er een geval binnen komt -
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
432000
3000
zij zullen beslissen, oke, dit is een geval waar we een autopsie nodig hebben.
07:30
So in the morning, in between six and seven in the morning,
184
435000
3000
In de ochtend, tussen zes en zeven 's morgens,
07:33
the body is then transported inside of the body bag
185
438000
2000
wordt het lichaam in een body bag
07:35
to our center
186
440000
2000
naar ons centrum getransporteerd
07:37
and is being scanned through one of the CT scanners.
187
442000
2000
en gescand door een van de de CT-scanners.
07:39
And then the radiologist, together with the pathologist
188
444000
2000
En dan kijkt de radioloog samen met de patholoog
07:41
and sometimes the forensic scientist,
189
446000
2000
en soms ook de forensische wetenschapper,
07:43
looks at the data that's coming out,
190
448000
2000
naar de gegevens die de eruit komen,
07:45
and they have a joint session.
191
450000
2000
en gaan ze overleggen.
07:47
And then they decide what to do in the real physical autopsy after that.
192
452000
3000
En daarna beslissen ze wat te doen bij de echte fysieke autopsie.
07:52
Now looking at a few cases,
193
457000
2000
U kijkt nu naar een paar gevallen,
07:54
here's one of the first cases that we had.
194
459000
2000
Hier is een van de eerste zaken die we hadden.
07:56
You can really see the details of the data set.
195
461000
3000
Je kunt echt de details van de dataset zien;
07:59
It's very high-resolution,
196
464000
2000
Het is in zeer hoge resolutie.
08:01
and it's our algorithms that allow us
197
466000
2000
En het zijn onze algoritmes die ons toelaten
08:03
to zoom in on all the details.
198
468000
2000
om in te zoomen op de details.
08:05
And again, it's fully interactive,
199
470000
2000
En nogmaals, het is volledig interactief,
08:07
so you can rotate and you can look at things in real time
200
472000
2000
dus je kunt roteren en op deze systemen
08:09
on these systems here.
201
474000
2000
in real-time naar alles kijken.
08:11
Without saying too much about this case,
202
476000
2000
Zonder al te veel te zeggen over deze zaak,
08:13
this is a traffic accident,
203
478000
2000
het is een verkeersongeval,
08:15
a drunk driver hit a woman.
204
480000
2000
een dronken bestuurder raakte een vrouw.
08:17
And it's very, very easy to see the damages on the bone structure.
205
482000
3000
En het is heel, heel gemakkelijk om de schade te zien aan de botstructuur.
08:20
And the cause of death is the broken neck.
206
485000
3000
De doodsoorzaak is een gebroken nek.
08:23
And this women also ended up under the car,
207
488000
2000
En de vrouw belandde ook onder de auto,
08:25
so she's quite badly beaten up
208
490000
2000
Ze werd hierdoor
08:27
by this injury.
209
492000
2000
heel erg toegetakeld.
08:29
Here's another case, a knifing.
210
494000
3000
Hier weer een andere zaak, een steekpartij.
08:32
And this is also again showing us what we can do.
211
497000
2000
En dit toont ook weer wat we kunnen doen.
08:34
It's very easy to look at metal artifacts
212
499000
2000
Het is heel gemakkelijk om metalen artefacten terug te vinden
08:36
that we can show inside of the body.
213
501000
3000
die we binnen in het lichaam kunnen laten zien.
08:39
You can also see some of the artifacts from the teeth --
214
504000
3000
U kunt ook een aantal van de artefacten van de tanden zien -
08:42
that's actually the filling of the teeth --
215
507000
2000
dat zijn eigenlijk de tandvullingen -
08:44
but because I've set the functions to show me metal
216
509000
3000
maar dat komt omdat ik het zo heb ingesteld dat
08:47
and make everything else transparent.
217
512000
2000
we het metaal kunnen zien en de rest transparant is.
08:49
Here's another violent case. This really didn't kill the person.
218
514000
3000
Hier een andere gewelddaad. Dit was niet echt de doodsoorzaak van deze persoon.
08:52
The person was killed by stabs in the heart,
219
517000
2000
De persoon werd gedood door steken in het hart,
08:54
but they just deposited the knife
220
519000
2000
maar ze staken het mes
08:56
by putting it through one of the eyeballs.
221
521000
2000
door een oogbol.
08:58
Here's another case.
222
523000
2000
Hier een andere zaak.
09:00
It's very interesting for us
223
525000
2000
Het is heel interessant voor ons
09:02
to be able to look at things like knife stabbings.
224
527000
2000
om te kunnen kijken naar dingen zoals messteken.
09:04
Here you can see that knife went through the heart.
225
529000
3000
Hier zie je dat het mes door het hart ging.
09:07
It's very easy to see how air has been leaking
226
532000
2000
Het is heel gemakkelijk te zien hoe lucht
09:09
from one part to another part,
227
534000
2000
van het ene deel naar een ander deel is gaan lekken,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
536000
3000
wat moeilijk is om te doen bij een normale, standaard, fysieke autopsie.
09:14
So it really, really helps
229
539000
2000
Dus het helpt echt bij
09:16
the criminal investigation
230
541000
2000
het strafrechtelijk onderzoek
09:18
to establish the cause of death,
231
543000
2000
om de oorzaak van de dood vast te stellen,
09:20
and in some cases also directing the investigation in the right direction
232
545000
3000
en om in sommige gevallen het onderzoek in de juiste richting te leiden,
09:23
to find out who the killer really was.
233
548000
2000
om uit te zoeken wie de moordenaar was.
09:25
Here's another case that I think is interesting.
234
550000
2000
Hier nog een interessant geval.
09:27
Here you can see a bullet
235
552000
2000
Hier zie je een kogel die net naast
09:29
that has lodged just next to the spine on this person.
236
554000
3000
de ruggengraat van deze persoon is blijven steken.
09:32
And what we've done is that we've turned the bullet into a light source,
237
557000
3000
En we hebben de kogel lichtgevend gemaakt,
09:35
so that bullet is actually shining,
238
560000
2000
zodat hij gaat blinken,
09:37
and it makes it really easy to find these fragments.
239
562000
3000
wat het echt makkelijk maakt om deze fragmenten terug te vinden.
09:40
During a physical autopsy,
240
565000
2000
Als je tijdens een fysieke autopsie,
09:42
if you actually have to dig through the body to find these fragments,
241
567000
2000
in het lichaam naar deze fragmenten moet gaan zoeken
09:44
that's actually quite hard to do.
242
569000
2000
is dat heel moeilijk.
09:48
One of the things that I'm really, really happy
243
573000
2000
Iets waarvan ik ben echt blij ben
09:50
to be able to show you here today
244
575000
3000
om u vandaag te kunnen laten zien
09:53
is our virtual autopsy table.
245
578000
2000
is onze virtuele-autopsietafel.
09:55
It's a touch device that we have developed
246
580000
2000
Het is een door ons ontwikkeld aanraakscherm
09:57
based on these algorithms, using standard graphics GPUs.
247
582000
3000
met behulp van standaard GPU's.
10:00
It actually looks like this,
248
585000
2000
Het ziet er zo uit,
10:02
just to give you a feeling for what it looks like.
249
587000
3000
gewoon om je een idee te geven.
10:05
It really just works like a huge iPhone.
250
590000
3000
Het werkt net als een enorme iPhone.
10:08
So we've implemented
251
593000
2000
We hebben alle handelingen
10:10
all the gestures you can do on the table,
252
595000
3000
ermee getoond
10:13
and you can think of it as an enormous touch interface.
253
598000
4000
en je kunt eraan denken als een enorm aanraakscherm.
10:17
So if you were thinking of buying an iPad,
254
602000
2000
Dus als je eraan denkt een iPad te kopen,
10:19
forget about it. This is what you want instead.
255
604000
3000
vergeet het maar, dit is wat je eigenlijk wil hebben.
10:22
Steve, I hope you're listening to this, all right.
256
607000
3000
Steve, ik hoop dat je hiernaar aan het luisteren bent, oke.
10:26
So it's a very nice little device.
257
611000
2000
Het is een heel aardig apparaatje.
10:28
So if you have the opportunity, please try it out.
258
613000
2000
Dus als je de mogelijkheid hebt, probeer het eens uit.
10:30
It's really a hands-on experience.
259
615000
3000
Het is echt een hands-on ervaring.
10:33
So it gained some traction, and we're trying to roll this out
260
618000
3000
Het heeft de aandacht getrokken, en we proberen het klaar te krijgen
10:36
and trying to use it for educational purposes,
261
621000
2000
om het te gebruiken voor educatieve doeleinden,
10:38
but also, perhaps in the future,
262
623000
2000
maar ook, misschien in de toekomst,
10:40
in a more clinical situation.
263
625000
3000
in een meer klinische situatie.
10:43
There's a YouTube video that you can download and look at this,
264
628000
2000
Er is een YouTube die u kunt downloaden,
10:45
if you want to convey the information to other people
265
630000
2000
als je anderen wil tonen
10:47
about virtual autopsies.
266
632000
3000
wat virtuele autopsie is.
10:50
Okay, now that we're talking about touch,
267
635000
2000
Oke, nu we over aanraken praten,
10:52
let me move on to really "touching" data.
268
637000
2000
laten we nu even kijken naar echt inspirerende data.
10:54
And this is a bit of science fiction now,
269
639000
2000
Dit is nu nog een beetje science-fiction,
10:56
so we're moving into really the future.
270
641000
3000
we gaan nu naar de toekomst.
10:59
This is not really what the medical doctors are using right now,
271
644000
3000
Dit is niet echt wat de artsen momenteel al gebruiken,
11:02
but I hope they will in the future.
272
647000
2000
maar ik hoop dat het in de toekomst zal kunnen.
11:04
So what you're seeing on the left is a touch device.
273
649000
3000
Wat je aan de linkerkant ziet is een aanraakapparaat.
11:07
It's a little mechanical pen
274
652000
2000
Het is een kleine mechanische pen
11:09
that has very, very fast step motors inside of the pen.
275
654000
3000
met zeer, zeer snelle stappenmotoren aan de binnenkant van de pen.
11:12
And so I can generate a force feedback.
276
657000
2000
En daarmee kan ik een krachttegenkoppeling genereren.
11:14
So when I virtually touch data,
277
659000
2000
Dus als ik virtuele data ermee aanraak,
11:16
it will generate forces in the pen, so I get a feedback.
278
661000
3000
zal dat krachten in de pen veroorzaken en krijg ik feedback.
11:19
So in this particular situation,
279
664000
2000
In deze specifieke situatie
11:21
it's a scan of a living person.
280
666000
2000
gaat het om een scan van een levende persoon.
11:23
I have this pen, and I look at the data,
281
668000
3000
Ik heb deze pen, en ik kijk naar de gegevens,
11:26
and I move the pen towards the head,
282
671000
2000
en ik beweeg de pen naar het hoofd toe,
11:28
and all of a sudden I feel resistance.
283
673000
2000
en opeens voel ik weerstand.
11:30
So I can feel the skin.
284
675000
2000
Ik voel de huid.
11:32
If I push a little bit harder, I'll go through the skin,
285
677000
2000
Als ik een beetje harder duw, dan ga ik door de huid,
11:34
and I can feel the bone structure inside.
286
679000
3000
en voel ik de botstructuur binnen in.
11:37
If I push even harder, I'll go through the bone structure,
287
682000
2000
Als ik nog harder duw, dan ga ik door de botstructuur heen,
11:39
especially close to the ear where the bone is very soft.
288
684000
3000
vooral dicht bij het oor waar het bot erg zacht is.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
687000
3000
En dan kan ik de hersenen voelen, en dat zal een beetje week aanvoelen, zoiets als dit.
11:45
So this is really nice.
290
690000
2000
Dit is echt leuk.
11:47
And to take that even further, this is a heart.
291
692000
3000
Hier een hart.
11:50
And this is also due to these fantastic new scanners,
292
695000
3000
Ook te danken aan deze fantastische nieuwe scanners,
11:53
that just in 0.3 seconds,
293
698000
2000
die in slechts 0,3 seconden
11:55
I can scan the whole heart,
294
700000
2000
het hele hart scannen,
11:57
and I can do that with time resolution.
295
702000
2000
en ik kan dat doen in tijdsresolutie.
11:59
So just looking at this heart,
296
704000
2000
Het kijken naar dit hart,
12:01
I can play back a video here.
297
706000
2000
kan ik hier weergeven op een video.
12:03
And this is Karljohan, one of my graduate students
298
708000
2000
En dit is Karl Johan, een van mijn studenten
12:05
who's been working on this project.
299
710000
2000
die aan dit project heeft gewerkt.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
712000
3000
Hij zit hier voor het haptische apparaat, het krachttegenkoppelingssysteem,
12:10
and he's moving his pen towards the heart,
301
715000
3000
en hij beweegt zijn pen naar het hart,
12:13
and the heart is now beating in front of him,
302
718000
2000
en hij ziet het voor zich
12:15
so he can see how the heart is beating.
303
720000
2000
zodat hij kan zien hoe het hart klopt.
12:17
He's taken the pen, and he's moving it towards the heart,
304
722000
2000
Hij verplaatst nu de pen naar het hart,
12:19
and he's putting it on the heart,
305
724000
2000
en hij duwt ze tegen het hart,
12:21
and then he feels the heartbeats from the real living patient.
306
726000
3000
en voelt de hartslag van de echte levende patiënt.
12:24
Then he can examine how the heart is moving.
307
729000
2000
Dan kan hij onderzoeken hoe het hart in beweegt.
12:26
He can go inside, push inside of the heart,
308
731000
2000
Hij kan naar binnen gaan, naar de binnenkant van het hart,
12:28
and really feel how the valves are moving.
309
733000
3000
en echt voelen hoe de kleppen in beweging zijn.
12:31
And this, I think, is really the future for heart surgeons.
310
736000
3000
En dit, denk ik, is echt de toekomst voor hartchirurgen.
12:34
I mean it's probably the wet dream for a heart surgeon
311
739000
3000
Ik denk dat dit een natte droom is voor een hartchirurg
12:37
to be able to go inside of the patient's heart
312
742000
3000
om binnenin van het hart van de patiënt te kunnen rondtasten
12:40
before you actually do surgery,
313
745000
2000
voordat je daadwerkelijk tot chirurgie overgaat,
12:42
and do that with high-quality resolution data.
314
747000
2000
en dat te doen met resolutiedata van een hoge kwaliteit.
12:44
So this is really neat.
315
749000
2000
Echt de moeite.
12:47
Now we're going even further into science fiction.
316
752000
3000
Nu gaan we nog verder met science fiction.
12:50
And we heard a little bit about functional MRI.
317
755000
3000
We hoorden wat over functionele MRI.
12:53
Now this is really an interesting project.
318
758000
3000
Nu is dit echt een interessant project.
12:56
MRI is using magnetic fields
319
761000
2000
MRI is met behulp van magnetische velden
12:58
and radio frequencies
320
763000
2000
en radiofrequenties
13:00
to scan the brain, or any part of the body.
321
765000
3000
de hersenen of een deel van het lichaam scannen.
13:03
So what we're really getting out of this
322
768000
2000
Wat we hier echt uit verkrijgen
13:05
is information of the structure of the brain,
323
770000
2000
is informatie over de structuur van de hersenen,
13:07
but we can also measure the difference
324
772000
2000
maar we kunnen ook het verschil meten
13:09
in magnetic properties of blood that's oxygenated
325
774000
3000
in de magnetische eigenschappen van zuurstofrijk bloed
13:12
and blood that's depleted of oxygen.
326
777000
3000
en zuurstofarm bloed.
13:15
That means that it's possible
327
780000
2000
Dat betekent dat het mogelijk is
13:17
to map out the activity of the brain.
328
782000
2000
om de activiteit van de hersenen in kaart te brengen.
13:19
So this is something that we've been working on.
329
784000
2000
Dit is iets dat we al mee bezig zijn.
13:21
And you just saw Motts the research engineer, there,
330
786000
3000
En net zag u Motts, onze onderzoeksingenieur
13:24
going into the MRI system,
331
789000
2000
het MRI-systeem ingaan,
13:26
and he was wearing goggles.
332
791000
2000
hij droeg een speciale bril.
13:28
So he could actually see things in the goggles.
333
793000
2000
waarmee hij dingen kon waarnemen.
13:30
So I could present things to him while he's in the scanner.
334
795000
3000
Dus kon ik, terwijl hij in de scanner zat, hem allerlei laten zien.
13:33
And this is a little bit freaky,
335
798000
2000
En dit is een beetje beangstigend,
13:35
because what Motts is seeing is actually this.
336
800000
2000
want wat Motts ziet is eigenlijk dit.
13:37
He's seeing his own brain.
337
802000
3000
Hij ziet zijn eigen hersenen.
13:40
So Motts is doing something here,
338
805000
2000
Hier is Motts iets aan het doen.
13:42
and probably he is going like this with his right hand,
339
807000
2000
En waarschijnlijk doet hij zoiets met zijn rechterhand,
13:44
because the left side is activated
340
809000
2000
omdat de linkerkant geactiveerd is
13:46
on the motor cortex.
341
811000
2000
op de bewegingscortex.
13:48
And then he can see that at the same time.
342
813000
2000
En dat kan hij op hetzelfde moment zelf zien.
13:50
These visualizations are brand new.
343
815000
2000
Deze visualisaties zijn gloednieuw.
13:52
And this is something that we've been researching for a little while.
344
817000
3000
Dit is iets waar we al een tijdje onderzoek naar doen.
13:55
This is another sequence of Motts' brain.
345
820000
3000
Hier een andere sequentie van Motts' brein.
13:58
And here we asked Motts to calculate backwards from 100.
346
823000
3000
We vroegen hem met 3 terug te tellen vanaf 100.
14:01
So he's going "100, 97, 94."
347
826000
2000
Dus hij telt "100, 97, 94."
14:03
And then he's going backwards.
348
828000
2000
Enzovoorts.
14:05
And you can see how the little math processor is working up here in his brain
349
830000
3000
En je kunt zien hoe de kleine wiskunde-processor hier in zijn hersenen an het werk is
14:08
and is lighting up the whole brain.
350
833000
2000
en de hele hersenen doet oplichten.
14:10
Well this is fantastic. We can do this in real time.
351
835000
2000
Dit is fantastisch. We kunnen dit doen in real time.
14:12
We can investigate things. We can tell him to do things.
352
837000
2000
We kunnen dingen onderzoeken. We kunnen hem vragen om dingen te doen.
14:14
You can also see that his visual cortex
353
839000
2000
Je kunt ook zien dat zijn visuele cortex
14:16
is activated in the back of the head,
354
841000
2000
aan de achterkant van zijn hoofd wordt geactiveerd,
14:18
because that's where he's seeing, he's seeing his own brain.
355
843000
2000
want dat is waar hij naar kijkt, hij ziet zijn eigen hersenen.
14:20
And he's also hearing our instructions
356
845000
2000
En hij hoort ook onze instructies
14:22
when we tell him to do things.
357
847000
2000
als we hem vragen om dingen te doen.
14:24
The signal is really deep inside of the brain as well,
358
849000
2000
Ook al zit het signaal echt diep in de hersenen,
14:26
and it's shining through,
359
851000
2000
toch schijnt het door,
14:28
because all of the data is inside this volume.
360
853000
2000
omdat alle gegevens in dit volume voorhanden zijn.
14:30
And in just a second here you will see --
361
855000
2000
En dadelijk ga je hier zien -
14:32
okay, here. Motts, now move your left foot.
362
857000
2000
Oke, hier is het. Motts, beweeg nu je linkervoet.
14:34
So he's going like this.
363
859000
2000
Dit doet hij.
14:36
For 20 seconds he's going like that,
364
861000
2000
20 seconden lang doet hij dit,
14:38
and all of a sudden it lights up up here.
365
863000
2000
en plots licht het hier op.
14:40
So we've got motor cortex activation up there.
366
865000
2000
Door activatie van de bewegingscortex.
14:42
So this is really, really nice,
367
867000
2000
Dit is echt, echt leuk.
14:44
and I think this is a great tool.
368
869000
2000
Dit is een geweldig hulpmiddel.
14:46
And connecting also with the previous talk here,
369
871000
2000
In verband met de vorige lezing,
14:48
this is something that we could use as a tool
370
873000
2000
is dit iets dat we kunnen gebruiken als een instrument
14:50
to really understand
371
875000
2000
om werkelijk te begrijpen
14:52
how the neurons are working, how the brain is working,
372
877000
2000
hoe de neuronen werken, hoe de hersenen werken,
14:54
and we can do this with very, very high visual quality
373
879000
3000
en we kunnen dit doen met een zeer, zeer hoge visuele kwaliteit
14:57
and very fast resolution.
374
882000
3000
en een zeer snelle resolutie.
15:00
Now we're also having a bit of fun at the center.
375
885000
2000
Maar af en toe maken we ook een beetje lol in het centrum.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
887000
3000
Dit is een CAT-scan - computer aided tomografie.
15:06
So this is a lion from the local zoo
377
891000
2000
Van een leeuw uit de plaatselijke dierentuin
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
893000
3000
aan de rand van Norrkoping in Kolmården, Elsa.
15:11
So she came to the center,
379
896000
2000
Ze brachten haar naar het centrum,
15:13
and they sedated her
380
898000
2000
ze verdoofden haar
15:15
and then put her straight into the scanner.
381
900000
2000
en zetten haar recht in de scanner.
15:17
And then, of course, I get the whole data set from the lion.
382
902000
3000
Zo krijg ik dan de volledige dataset van de leeuw.
15:20
And I can do very nice images like this.
383
905000
2000
Waarmee ik heel mooie beelden kan maken zoals dit.
15:22
I can peel off the layer of the lion.
384
907000
2000
Ik kan laag na laag van de leeuw afpellen.
15:24
I can look inside of it.
385
909000
2000
Ik kan erin kijken.
15:26
And we've been experimenting with this.
386
911000
2000
We hebben hiermee geëxperimenteerd.
15:28
And I think this is a great application
387
913000
2000
Ik denk dat dit een geweldige toepassing is
15:30
for the future of this technology,
388
915000
2000
voor de toekomst van deze technologie.
15:32
because there's very little known about the animal anatomy.
389
917000
3000
Want er is maar heel weinig bekend over de dierlijke anatomie.
15:35
What's known out there for veterinarians is kind of basic information.
390
920000
3000
Wat dierenartsen ervan weten is slechts summiere basisinformatie.
15:38
We can scan all sorts of things,
391
923000
2000
We kunnen allerlei dingen scannen,
15:40
all sorts of animals.
392
925000
2000
allerlei dieren.
15:42
The only problem is to fit it into the machine.
393
927000
3000
Het enige probleem is om ze in de machine te krijgen.
15:45
So here's a bear.
394
930000
2000
Hier een beer.
15:47
It was kind of hard to get it in.
395
932000
2000
Hij was er nogal moeilijk in te krijgen.
15:49
And the bear is a cuddly, friendly animal.
396
934000
3000
En zo'n beer lijkt een knuffel, een vriendelijk dier.
15:52
And here it is. Here is the nose of the bear.
397
937000
3000
Hier is hij dan. Dit is zijn neus.
15:55
And you might want to cuddle this one,
398
940000
3000
En misschien wil je hem wel knuffelen,
15:58
until you change the functions and look at this.
399
943000
3000
totdat je de instellingen verandert en hiernaar gaat kijken.
16:01
So be aware of the bear.
400
946000
2000
Hoed u dus voor de beer.
16:03
So with that,
401
948000
2000
Hiermee
16:05
I'd like to thank all the people
402
950000
2000
wil ik graag alle mensen bedanken
16:07
who have helped me to generate these images.
403
952000
2000
die mij geholpen hebben om deze beelden te genereren.
16:09
It's a huge effort that goes into doing this,
404
954000
2000
Er is enorm veel werk gaan zitten
16:11
gathering the data and developing the algorithms,
405
956000
3000
in het verzamelen van de gegevens en de ontwikkeling van de algoritmen,
16:14
writing all the software.
406
959000
2000
in het schrijven van de software
16:16
So, some very talented people.
407
961000
3000
door een aantal zeer getalenteerde mensen.
16:19
My motto is always, I only hire people that are smarter than I am
408
964000
3000
Mijn motto is altijd dat ik alleen maar mensen aanwerf die slimmer zijn dan ik
16:22
and most of these are smarter than I am.
409
967000
2000
en de meesten hier zijn een stuk slimmer dan ik.
16:24
So thank you very much.
410
969000
2000
Dus heel erg bedankt.
16:26
(Applause)
411
971000
4000
(Applaus)
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