TEDxGöteborg 2010
Anders Ynnerman: Visualizing the medical data explosion
Anders Ynnerman: Visualisera den medicinska dataexplosionen
Filmed:
Readability: 3.4
539,883 views
Idag producerar medicinska scanningar tusentals bilder och terabyte med data för en enda patient på bara några sekunder, men hur tolkar läkarna denna information och avgör vad som är användbart? Vid TEDxGöteborg visar den vetenskapliga visualiseringsexperten Anders Ynnerman oss sofistikerade nya verktyg - som virtuella obduktioner - för att analysera denna myriad av data, och en inblick i några science fiction-klingande medicinska tekniker som är under utveckling. Denna presentation innehåller grafiska medicinska bilder som kan vara stötande.
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
Jag ska börja med att formulera en liten utmaning,
00:19
the challenge of dealing with data,
1
4000
3000
utmaningen att hantera data,
00:22
data that we have to deal with
2
7000
2000
data som vi måste hantera
00:24
in medical situations.
3
9000
2000
i medicinska situationer.
00:26
It's really a huge challenge for us.
4
11000
2000
Det är verkligen en enorm utmaning för oss.
00:28
And this is our beast of burden --
5
13000
2000
Detta är vårt lastdjur.
00:30
this is a Computer Tomography machine,
6
15000
2000
Det är en datortomograf --
00:32
a CT machine.
7
17000
2000
en CT-maskin.
00:34
It's a fantastic device.
8
19000
2000
Det är en fantastisk apparat.
00:36
It uses X-rays, X-ray beams,
9
21000
2000
Den använder röntgenstrålning,
00:38
that are rotating very fast around the human body.
10
23000
3000
som roterar väldigt snabbt kring människokroppen.
00:41
It takes about 30 seconds to go through the whole machine
11
26000
2000
Det tar omkring 30 sekunder att åka igenom hela maskinen
00:43
and is generating enormous amounts of information
12
28000
2000
och det genereras enorma mängder information
00:45
that comes out of the machine.
13
30000
2000
som kommer ut ur maskinen.
00:47
So this is a fantastic machine
14
32000
2000
Så det här är en fantastisk maskin
00:49
that we can use
15
34000
2000
som vi kan använda
00:51
for improving health care,
16
36000
2000
för att förbättra hälso- och sjukvården.
00:53
but as I said, it's also a challenge for us.
17
38000
2000
Men som jag sa, det är också en utmaning för oss.
00:55
And the challenge is really found in this picture here.
18
40000
3000
Och utmaningen kan man se i den här bilden.
00:58
It's the medical data explosion
19
43000
2000
Det är den medicinska dataexplosionen
01:00
that we're having right now.
20
45000
2000
som vi har just nu.
01:02
We're facing this problem.
21
47000
2000
Vi ställs inför detta problem.
01:04
And let me step back in time.
22
49000
2000
Låt mig gå tillbaka i tiden.
01:06
Let's go back a few years in time and see what happened back then.
23
51000
3000
Låt oss gå tillbaka några år i tiden och se vad som hände då.
01:09
These machines that came out --
24
54000
2000
De här maskinerna som kom ut --
01:11
they started coming in the 1970s --
25
56000
2000
de började komma under 1970-talet --
01:13
they would scan human bodies,
26
58000
2000
de scannade människokroppar,
01:15
and they would generate about 100 images
27
60000
2000
och de genererade omkring 100 bilder
01:17
of the human body.
28
62000
2000
av människokroppen.
01:19
And I've taken the liberty, just for clarity,
29
64000
2000
Jag har tagit mig friheten, för tydlighets skull,
01:21
to translate that to data slices.
30
66000
3000
att översätta det till dataenheter.
01:24
That would correspond to about 50 megabytes of data,
31
69000
2000
Det skulle motsvara ungefär 50 MB,
01:26
which is small
32
71000
2000
vilket är lite
01:28
when you think about the data we can handle today
33
73000
3000
när man tänker på informationen vi kan hantera idag
01:31
just on normal mobile devices.
34
76000
2000
bara på vanliga mobilenheter.
01:33
If you translate that to phone books,
35
78000
2000
Om man översätter det till telefonkataloger,
01:35
it's about one meter of phone books in the pile.
36
80000
3000
blir det ungefär en meterhög stapel av telefonkataloger.
01:38
Looking at what we're doing today
37
83000
2000
Ser man till det vi gör idag
01:40
with these machines that we have,
38
85000
2000
med de maskiner vi har,
01:42
we can, just in a few seconds,
39
87000
2000
kan vi, på bara några sekunder,
01:44
get 24,000 images out of a body,
40
89000
2000
få 24 000 bilder av en kropp.
01:46
and that would correspond to about 20 gigabytes of data,
41
91000
3000
Det skulle motsvara omkring 20 GB,
01:49
or 800 phone books,
42
94000
2000
eller 800 telefonkataloger.
01:51
and the pile would then be 200 meters of phone books.
43
96000
2000
Högen med telefonkataloger skulle då bli 200 meter hög.
01:53
What's about to happen --
44
98000
2000
Det som är på väg att hända --
01:55
and we're seeing this; it's beginning --
45
100000
2000
och vi ser att detta är på gång --
01:57
a technology trend that's happening right now
46
102000
2000
en tekniktrend som händer just nu
01:59
is that we're starting to look at time-resolved situations as well.
47
104000
3000
är att vi även börjar titta på resultat över tid.
02:02
So we're getting the dynamics out of the body as well.
48
107000
3000
Så vi får dynamiken av kroppen också.
02:05
And just assume
49
110000
2000
Anta bara
02:07
that we will be collecting data during five seconds,
50
112000
3000
att vi samlar data under fem sekunder,
02:10
and that would correspond to one terabyte of data --
51
115000
2000
det skulle motsvara en TB data.
02:12
that's 800,000 books
52
117000
2000
Det är 800 000 telefonkataloger
02:14
and 16 kilometers of phone books.
53
119000
2000
som skulle utgöra en 16 km hög stapel.
02:16
That's one patient, one data set.
54
121000
2000
Det är en patient, en uppsättning data.
02:18
And this is what we have to deal with.
55
123000
2000
Och det är detta vi måste handskas med.
02:20
So this is really the enormous challenge that we have.
56
125000
3000
Så det är egentligen detta som är den enorma utmaningen vi har.
02:23
And already today -- this is 25,000 images.
57
128000
3000
Redan idag -- detta är 25 000 bilder.
02:26
Imagine the days
58
131000
2000
Föreställ er
02:28
when we had radiologists doing this.
59
133000
2000
när vi hade röntgenläkare till detta.
02:30
They would put up 25,000 images,
60
135000
2000
Dom skulle ha satt upp 25 000 bilder,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
och gjort så här. "25 000, okej, okej...
02:35
There is the problem."
62
140000
2000
Där är problemet."
02:37
They can't do that anymore. That's impossible.
63
142000
2000
Dom kan inte göra så längre, det är omöjligt.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
144000
3000
Så vi måste göra nånting lite mer intelligent än detta.
02:43
So what we do is that we put all these slices together.
65
148000
2000
Vad vi gör är att vi sätter ihop alla dessa skikt.
02:45
Imagine that you slice your body in all these directions,
66
150000
3000
Föreställ dig att du skivar din kropp i alla riktningar,
02:48
and then you try to put the slices back together again
67
153000
3000
och sen försöker du sätta ihop alla skikt igen
02:51
into a pile of data, into a block of data.
68
156000
2000
till en hög med information, till ett datablock.
02:53
So this is really what we're doing.
69
158000
2000
Så det är egentligen det här vi gör.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
160000
3000
Så den här gigabyten eller terabyten med data stoppar vi i in i ett block.
02:58
But of course, the block of data
71
163000
2000
Men självklart är det så att datablocket
03:00
just contains the amount of X-ray
72
165000
2000
bara innehåller den mängd röntgenstrålning
03:02
that's been absorbed in each point in the human body.
73
167000
2000
som blivit absorberad i varje punkt av människokroppen.
03:04
So what we need to do is to figure out a way
74
169000
2000
Vad vi behöver göra är att komma på ett sätt
03:06
of looking at the things we do want to look at
75
171000
3000
att titta på de saker vi vill titta på
03:09
and make things transparent that we don't want to look at.
76
174000
3000
och göra saker genomskinliga som vi inte vill titta på.
03:12
So transforming the data set
77
177000
2000
Så att omvandla datauppsättningen
03:14
into something that looks like this.
78
179000
2000
till någonting som ser ut som detta.
03:16
And this is a challenge.
79
181000
2000
Detta är en utmaning.
03:18
This is a huge challenge for us to do that.
80
183000
3000
Det är en enorm utmaning för oss att göra det.
03:21
Using computers, even though they're getting faster and better all the time,
81
186000
3000
Att använda datorer, även om dom bli snabbare och bättre hela tiden,
03:24
it's a challenge to deal with gigabytes of data,
82
189000
2000
så är det en utmaning att handskas med flera gigabyte,
03:26
terabytes of data
83
191000
2000
eller terabyte
03:28
and extracting the relevant information.
84
193000
2000
och att extrahera den relevanta informationen.
03:30
I want to look at the heart.
85
195000
2000
Jag vill titta på hjärtat,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
197000
2000
Jag vill titta på blodkärlen, jag vill titta på levern,
03:34
Maybe even find a tumor,
87
199000
2000
kanske till och med hitta en tumör
03:36
in some cases.
88
201000
2000
i vissa fall.
03:39
So this is where this little dear comes into play.
89
204000
2000
Låt mig visa ett exempel.
03:41
This is my daughter.
90
206000
2000
Detta är min dotter.
03:43
This is as of 9 a.m. this morning.
91
208000
2000
Detta var klockan nio i morse.
03:45
She's playing a computer game.
92
210000
2000
Hon spelar ett dataspel.
03:47
She's only two years old,
93
212000
2000
Hon är bara två år gammal,
03:49
and she's having a blast.
94
214000
2000
och har jätteroligt.
03:51
So she's really the driving force
95
216000
3000
Så hon är den egentliga drivkraften
03:54
behind the development of graphics-processing units.
96
219000
3000
bakom utvecklingen av grafikprocessorer.
03:58
As long as kids are playing computer games,
97
223000
2000
Så länge barn spelar dataspel,
04:00
graphics is getting better and better and better.
98
225000
2000
blir grafiken bättre och bättre.
04:02
So please go back home, tell your kids to play more games,
99
227000
2000
Så var snälla att gå hem och säg åt era barn att spela mer dataspel,
04:04
because that's what I need.
100
229000
2000
för det är det jag behöver.
04:06
So what's inside of this machine
101
231000
2000
Så det som är inuti den här maskinen
04:08
is what enables me to do the things that I'm doing
102
233000
2000
är det som gör det möjligt för mig att göra det jag gör
04:10
with the medical data.
103
235000
2000
med den medicinska datan.
04:12
So really what I'm doing is using these fantastic little devices.
104
237000
3000
Så vad jag gör är att använda dessa fantastiska små enheter.
04:15
And you know, going back
105
240000
2000
Går man tillbaka
04:17
maybe 10 years in time
106
242000
2000
omkring 10 år i tiden
04:19
when I got the funding
107
244000
2000
när jag fick finansiering
04:21
to buy my first graphics computer --
108
246000
2000
till min första grafikdator.
04:23
it was a huge machine.
109
248000
2000
Det var en enorm maskin.
04:25
It was cabinets of processors and storage and everything.
110
250000
3000
Det var stora skåp med processorer, lagring och allt.
04:28
I paid about one million dollars for that machine.
111
253000
3000
Jag betalade ungefär en miljon dollar för den maskinen.
04:32
That machine is, today, about as fast as my iPhone.
112
257000
3000
Den maskinen är idag ungefär lika snabb som min iPhone.
04:37
So every month there are new graphics cards coming out,
113
262000
2000
Varje månad kommer det ut nya grafikkort.
04:39
and here is a few of the latest ones from the vendors --
114
264000
3000
Här är några av de senaste från tillverkarna --
04:42
NVIDIA, ATI, Intel is out there as well.
115
267000
3000
NVIDIA, ATI och även Intel.
04:45
And you know, for a few hundred bucks
116
270000
2000
För bara några hundra dollar
04:47
you can get these things and put them into your computer,
117
272000
2000
kan man köpa såna här och stoppa in i sin dator,
04:49
and you can do fantastic things with these graphics cards.
118
274000
3000
och man kan göra fantastiska saker med dessa grafikkort.
04:52
So this is really what's enabling us
119
277000
2000
Så det är egentligen detta som gör det möjligt för oss
04:54
to deal with the explosion of data in medicine,
120
279000
3000
att hantera med explosionen av data inom medicin,
04:57
together with some really nifty work
121
282000
2000
tillsammans med en del riktigt fiffigt arbete
04:59
in terms of algorithms --
122
284000
2000
i form av algoritmer --
05:01
compressing data,
123
286000
2000
datakomprimering,
05:03
extracting the relevant information that people are doing research on.
124
288000
3000
och extrahering av den relevanta informationen som folk forskar om.
05:06
So I'm going to show you a few examples of what we can do.
125
291000
3000
Jag ska visa er några exempel av vad vi kan göra.
05:09
This is a data set that was captured using a CT scanner.
126
294000
3000
Detta är en datauppsättning som erhållits med datortomografi.
05:12
You can see that this is a full data [set].
127
297000
3000
Man kan se att det finns mycket information.
05:15
It's a woman. You can see the hair.
128
300000
3000
Det är en kvinna. Man kan se håret.
05:18
You can see the individual structures of the woman.
129
303000
3000
Man kan se de individuella strukturerna av kvinnan.
05:21
You can see that there is [a] scattering of X-rays
130
306000
3000
Man kan se viss diffraktion av röntgenstrålar
05:24
on the teeth, the metal in the teeth.
131
309000
2000
på tänderna, metallen i tänderna.
05:26
That's where those artifacts are coming from.
132
311000
3000
Det är därifrån artefakterna kommer.
05:29
But fully interactively
133
314000
2000
Men helt interaktivt
05:31
on standard graphics cards on a normal computer,
134
316000
3000
med ett vanligt grafikkort på en vanlig dator,
05:34
I can just put in a clip plane.
135
319000
2000
kan jag bara lägga in ett beskärningsplan.
05:36
And of course all the data is inside,
136
321000
2000
Självklart finns all data där,
05:38
so I can start rotating, I can look at it from different angles,
137
323000
3000
så jag kan börja rotera, jag kan titta på det från olika vinklar,
05:41
and I can see that this woman had a problem.
138
326000
3000
och jag kan se att den här kvinnan hade problem.
05:44
She had a bleeding up in the brain,
139
329000
2000
Hon hade en blödning uppe i hjärnan,
05:46
and that's been fixed with a little stent,
140
331000
2000
och den har blivit fixad med en liten stent,
05:48
a metal clamp that's tightening up the vessel.
141
333000
2000
en metallklämma som drar ihop blodkärlet.
05:50
And just by changing the functions,
142
335000
2000
Bara genom att ändra i funktionerna,
05:52
then I can decide what's going to be transparent
143
337000
3000
kan jag bestämma vad som ska vara genomskinligt
05:55
and what's going to be visible.
144
340000
2000
och vad som ska vara synligt.
05:57
I can look at the skull structure,
145
342000
2000
Jag kan titta på skallstrukturen,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
344000
3000
och jag kan se att det var här dom öppnade skallen på den här kvinnan,
06:02
and that's where they went in.
147
347000
2000
och det var där dom gick in.
06:04
So these are fantastic images.
148
349000
2000
Så detta är fantastiska bilder.
06:06
They're really high resolution,
149
351000
2000
Dom är väldigt högupplösta
06:08
and they're really showing us what we can do
150
353000
2000
och dom visar oss verkligen vad vi kan göra
06:10
with standard graphics cards today.
151
355000
3000
med vanliga grafikkort idag.
06:13
Now we have really made use of this,
152
358000
2000
Nu har vi verkligen dragit nytta av detta,
06:15
and we have tried to squeeze a lot of data
153
360000
3000
och vi har försökt att klämma in massvis med data
06:18
into the system.
154
363000
2000
in i systemet.
06:20
And one of the applications that we've been working on --
155
365000
2000
En av tillämpningarna som vi har arbetat på --
06:22
and this has gotten a little bit of traction worldwide --
156
367000
3000
och detta har fått ett visst fäste över hela världen --
06:25
is the application of virtual autopsies.
157
370000
2000
är tillämpningen med virtuella obduktioner.
06:27
So again, looking at very, very large data sets,
158
372000
2000
Så återigen, framför oss har vi väldigt, väldigt stora uppsättningar data,
06:29
and you saw those full-body scans that we can do.
159
374000
3000
och ni såg helkroppsscanningarna vi kan göra.
06:32
We're just pushing the body through the whole CT scanner,
160
377000
3000
Vi för bara kroppen genom datortomografen,
06:35
and just in a few seconds we can get a full-body data set.
161
380000
3000
och på bara några sekunder kan vi få en helkroppsdatauppsättning.
06:38
So this is from a virtual autopsy.
162
383000
2000
Så detta är från en virtuell obduktion.
06:40
And you can see how I'm gradually peeling off.
163
385000
2000
Ni kan se hur jag gradvis skalar av.
06:42
First you saw the body bag that the body came in,
164
387000
3000
Först såg ni liksäcken kroppen kom i,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
390000
3000
sen skalar jag av huden -- ni kan se musklerna --
06:48
and eventually you can see the bone structure of this woman.
166
393000
3000
och slutligen kan ni se kvinnans skelett.
06:51
Now at this point, I would also like to emphasize
167
396000
3000
Vid det här laget skulle jag också vilja passa på att understryka
06:54
that, with the greatest respect
168
399000
2000
att, med den största respekt
06:56
for the people that I'm now going to show --
169
401000
2000
för människorna som jag nu ska visa --
06:58
I'm going to show you a few cases of virtual autopsies --
170
403000
2000
Jag ska visa några fall av virtuella obduktioner --
07:00
so it's with great respect for the people
171
405000
2000
så det är med största respekt för människorna
07:02
that have died under violent circumstances
172
407000
2000
som dött under våldsamma omständigheter
07:04
that I'm showing these pictures to you.
173
409000
3000
som jag ska visa dessa bilder för er.
07:08
In the forensic case --
174
413000
2000
I rättsmedicinska fall --
07:10
and this is something
175
415000
2000
och detta är något
07:12
that ... there's been approximately 400 cases so far
176
417000
2000
som det funnits cirka 400 fall av hittills
07:14
just in the part of Sweden that I come from
177
419000
2000
bara i den delen av Sverige som jag kommer ifrån
07:16
that has been undergoing virtual autopsies
178
421000
2000
som har undergått virtuella obduktioner
07:18
in the past four years.
179
423000
2000
de senaste fyra åren.
07:20
So this will be the typical workflow situation.
180
425000
3000
Så detta är den typiska arbetsgången.
07:23
The police will decide --
181
428000
2000
Polisen avgör --
07:25
in the evening, when there's a case coming in --
182
430000
2000
under kvällen, när ett fall kommer in --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
432000
3000
så avgör dom om detta är ett fall som kräver obduktion.
07:30
So in the morning, in between six and seven in the morning,
184
435000
3000
På morgonen, mellan klockan sex och sju,
07:33
the body is then transported inside of the body bag
185
438000
2000
transporteras sedan kroppen inuti liksäcken
07:35
to our center
186
440000
2000
till vårt center
07:37
and is being scanned through one of the CT scanners.
187
442000
2000
och scannas genom en av datortomograferna.
07:39
And then the radiologist, together with the pathologist
188
444000
2000
Sen tittar röntgenläkaren, tillsammans med rättsläkaren
07:41
and sometimes the forensic scientist,
189
446000
2000
och ibland en annan rättsmedicinsk specialist,
07:43
looks at the data that's coming out,
190
448000
2000
på datan som kommer ut,
07:45
and they have a joint session.
191
450000
2000
och dom har ett gemensamt sammanträde.
07:47
And then they decide what to do in the real physical autopsy after that.
192
452000
3000
Efter detta bestämmer dom vad som sedan ska göras i den riktiga, fysiska obduktionen.
07:52
Now looking at a few cases,
193
457000
2000
Låt oss titta på några fall,
07:54
here's one of the first cases that we had.
194
459000
2000
här är ett av de första fallen som vi hade.
07:56
You can really see the details of the data set.
195
461000
3000
Man kan verkligen se detaljerna av datauppsättningen,
07:59
It's very high-resolution,
196
464000
2000
det är väldigt högupplöst.
08:01
and it's our algorithms that allow us
197
466000
2000
Och det är våra algoritmer som låter oss
08:03
to zoom in on all the details.
198
468000
2000
zooma in på alla detaljer.
08:05
And again, it's fully interactive,
199
470000
2000
Återigen, det är helt interaktivt,
08:07
so you can rotate and you can look at things in real time
200
472000
2000
så man kan rotera och man kan titta på saker i realtid
08:09
on these systems here.
201
474000
2000
på dessa system.
08:11
Without saying too much about this case,
202
476000
2000
Utan att säga för mycket om detta fallet,
08:13
this is a traffic accident,
203
478000
2000
det är en trafikolycka,
08:15
a drunk driver hit a woman.
204
480000
2000
en berusad förare som kört på en kvinna.
08:17
And it's very, very easy to see the damages on the bone structure.
205
482000
3000
Det är väldigt lätt att se skadorna på skelettet.
08:20
And the cause of death is the broken neck.
206
485000
3000
Dödsorsaken är den brutna nacken.
08:23
And this women also ended up under the car,
207
488000
2000
Den här kvinnan hamnade dessutom under bilen,
08:25
so she's quite badly beaten up
208
490000
2000
så hon är i ganska dåligt skick
08:27
by this injury.
209
492000
2000
på grund av olyckan.
08:29
Here's another case, a knifing.
210
494000
3000
Här är ett annat fall, ett fall av knivvåld.
08:32
And this is also again showing us what we can do.
211
497000
2000
Detta visar oss igen vad vi kan göra.
08:34
It's very easy to look at metal artifacts
212
499000
2000
Det är väldigt lätt att se metallartefakter
08:36
that we can show inside of the body.
213
501000
3000
som vi kan visa inuti kroppen.
08:39
You can also see some of the artifacts from the teeth --
214
504000
3000
Man kan också se lite artefakter från tänderna --
08:42
that's actually the filling of the teeth --
215
507000
2000
det är faktiskt tandfyllningarna --
08:44
but because I've set the functions to show me metal
216
509000
3000
men eftersom jag har satt inställningarna att visa metall
08:47
and make everything else transparent.
217
512000
2000
och göra allt annat genomskinligt.
08:49
Here's another violent case. This really didn't kill the person.
218
514000
3000
Här är ett annat våldsamt fall. Det här dödade inte personen.
08:52
The person was killed by stabs in the heart,
219
517000
2000
Personen dog av knivhugg i hjärtat,
08:54
but they just deposited the knife
220
519000
2000
men dom gjorde bara sig av med kniven
08:56
by putting it through one of the eyeballs.
221
521000
2000
genom att sätta den i en av ögonhålorna.
08:58
Here's another case.
222
523000
2000
Här är ett annat fall.
09:00
It's very interesting for us
223
525000
2000
Det är väldigt intressant för oss
09:02
to be able to look at things like knife stabbings.
224
527000
2000
att kunna undersöka saker som knivhugg.
09:04
Here you can see that knife went through the heart.
225
529000
3000
Här kan man se att kniven gick genom hjärtat.
09:07
It's very easy to see how air has been leaking
226
532000
2000
Det är väldigt lätt att se hur luften har läckt
09:09
from one part to another part,
227
534000
2000
från en del till en annan del,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
536000
3000
vilket är svårt att se i en vanlig fysisk obduktion.
09:14
So it really, really helps
229
539000
2000
Så det underlättar verkligen
09:16
the criminal investigation
230
541000
2000
brottsutredningen
09:18
to establish the cause of death,
231
543000
2000
att fastställa dödsorsaken,
09:20
and in some cases also directing the investigation in the right direction
232
545000
3000
och i vissa fall att leda utredningen i rätt riktning
09:23
to find out who the killer really was.
233
548000
2000
för att ta reda på vem gärningsmannen egentligen var.
09:25
Here's another case that I think is interesting.
234
550000
2000
Här är ett annat fall som jag tycker är intressant.
09:27
Here you can see a bullet
235
552000
2000
Här kan man se en kula
09:29
that has lodged just next to the spine on this person.
236
554000
3000
som har fastnat precis intill ryggraden på den här personen.
09:32
And what we've done is that we've turned the bullet into a light source,
237
557000
3000
Vad vi har gjort är att vi har gjort om kulan till en ljuskälla,
09:35
so that bullet is actually shining,
238
560000
2000
så att kulan faktiskt skiner,
09:37
and it makes it really easy to find these fragments.
239
562000
3000
och det gör det väldigt enkelt att hitta såna här fragment.
09:40
During a physical autopsy,
240
565000
2000
Under en fysisk obduktion,
09:42
if you actually have to dig through the body to find these fragments,
241
567000
2000
om du verkligen måste gräva genom hela kroppen för att finna dessa fragment,
09:44
that's actually quite hard to do.
242
569000
2000
så är det faktiskt rätt svårt.
09:48
One of the things that I'm really, really happy
243
573000
2000
En sak som jag är väldigt glad
09:50
to be able to show you here today
244
575000
3000
att kunna visa er här idag
09:53
is our virtual autopsy table.
245
578000
2000
är vårt virtuella obduktionsbord.
09:55
It's a touch device that we have developed
246
580000
2000
Det är en touch-enhet som vi har utvecklat
09:57
based on these algorithms, using standard graphics GPUs.
247
582000
3000
baserat på dom här algoritmerna och med vanliga grafikkort.
10:00
It actually looks like this,
248
585000
2000
Det ser i själva verket ut så här,
10:02
just to give you a feeling for what it looks like.
249
587000
3000
bara för att ge er en känsla av hur det ser ut.
10:05
It really just works like a huge iPhone.
250
590000
3000
Det fungerar precis som en enorm iPhone.
10:08
So we've implemented
251
593000
2000
Så vi har implementerat
10:10
all the gestures you can do on the table,
252
595000
3000
alla rörelser man kan göra på bordet,
10:13
and you can think of it as an enormous touch interface.
253
598000
4000
och man kan se det som ett enormt touch-gränssnitt.
10:17
So if you were thinking of buying an iPad,
254
602000
2000
Så om du funderade på att köpa en iPad,
10:19
forget about it. This is what you want instead.
255
604000
3000
glöm det - detta är vad du vill ha istället.
10:22
Steve, I hope you're listening to this, all right.
256
607000
3000
Steve, jag hoppas du lyssnar på detta.
10:26
So it's a very nice little device.
257
611000
2000
Så det är en väldigt trevlig liten enhet.
10:28
So if you have the opportunity, please try it out.
258
613000
2000
Om ni får tillfälle, pröva det gärna.
10:30
It's really a hands-on experience.
259
615000
3000
Det är verkligen en fysisk känsla.
10:33
So it gained some traction, and we're trying to roll this out
260
618000
3000
Den har fått visst fäste och vi försöker lansera den
10:36
and trying to use it for educational purposes,
261
621000
2000
och testar den i undervisningssyften,
10:38
but also, perhaps in the future,
262
623000
2000
men också, eventuellt i framtiden,
10:40
in a more clinical situation.
263
625000
3000
i mer kliniska sammanhang.
10:43
There's a YouTube video that you can download and look at this,
264
628000
2000
Det finns en YouTube-video som man kan se för mer information,
10:45
if you want to convey the information to other people
265
630000
2000
om man vill förmedla informationen till andra människor
10:47
about virtual autopsies.
266
632000
3000
om virtuella obduktioner.
10:50
Okay, now that we're talking about touch,
267
635000
2000
Okej, nu när vi pratar om "touch",
10:52
let me move on to really "touching" data.
268
637000
2000
låt mig gå över till verkligt "rörande" data.
10:54
And this is a bit of science fiction now,
269
639000
2000
Och detta är lite science fiction nu,
10:56
so we're moving into really the future.
270
641000
3000
så vi går verkligen in i framtiden.
10:59
This is not really what the medical doctors are using right now,
271
644000
3000
Detta är inte vad läkare egentligen använder sig av just nu,
11:02
but I hope they will in the future.
272
647000
2000
men jag hoppas dom gör det i framtiden.
11:04
So what you're seeing on the left is a touch device.
273
649000
3000
Det ni ser till vänster är en touch-enhet.
11:07
It's a little mechanical pen
274
652000
2000
Det är en liten mekanisk penna
11:09
that has very, very fast step motors inside of the pen.
275
654000
3000
som har väldigt snabba stegmotorer inuti pennan.
11:12
And so I can generate a force feedback.
276
657000
2000
På så sätt kan jag skapa en "kraftåterkoppling" (force feedback).
11:14
So when I virtually touch data,
277
659000
2000
Så när jag virtuellt vidrör data,
11:16
it will generate forces in the pen, so I get a feedback.
278
661000
3000
skapas rörelsekrafter i pennan, så jag får en återkoppling.
11:19
So in this particular situation,
279
664000
2000
I det här fallet
11:21
it's a scan of a living person.
280
666000
2000
är det en scanning av en levande person.
11:23
I have this pen, and I look at the data,
281
668000
3000
Jag har den här pennan och jag tittar på datan,
11:26
and I move the pen towards the head,
282
671000
2000
och jag rör pennan mot huvudet,
11:28
and all of a sudden I feel resistance.
283
673000
2000
och helt plötsligt känner jag ett motstånd.
11:30
So I can feel the skin.
284
675000
2000
Så jag kan känna huden.
11:32
If I push a little bit harder, I'll go through the skin,
285
677000
2000
Om jag trycker lite hårdare kommer jag igenom huden,
11:34
and I can feel the bone structure inside.
286
679000
3000
och jag kan känna benstrukturen inuti.
11:37
If I push even harder, I'll go through the bone structure,
287
682000
2000
Om jag trycker ännu hårdare kommer jag igenom skelettet,
11:39
especially close to the ear where the bone is very soft.
288
684000
3000
särskilt i närheten av örat där benet är väldigt mjukt.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
687000
3000
Sen kan jag känna hjärnan inuti, och den kommer vara slaskig som så här.
11:45
So this is really nice.
290
690000
2000
Så det här är väldigt trevligt.
11:47
And to take that even further, this is a heart.
291
692000
3000
För att ta det ännu längre, detta är ett hjärta.
11:50
And this is also due to these fantastic new scanners,
292
695000
3000
Och detta är också tack vare dom här fantastiska nya maskinerna,
11:53
that just in 0.3 seconds,
293
698000
2000
som på bara 0,3 sekunder,
11:55
I can scan the whole heart,
294
700000
2000
kan scanna hela hjärtat,
11:57
and I can do that with time resolution.
295
702000
2000
och jag kan göra det med tidsupplösning.
11:59
So just looking at this heart,
296
704000
2000
Så bara genom att titta på det här hjärtat --
12:01
I can play back a video here.
297
706000
2000
Jag kan spela upp en video här.
12:03
And this is Karljohan, one of my graduate students
298
708000
2000
Detta är Karl-Johan, en av mina doktorander
12:05
who's been working on this project.
299
710000
2000
som har arbetat på det här projektet.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
712000
3000
Han sitter där framför haptikkontrollen, force feedback-systemet,
12:10
and he's moving his pen towards the heart,
301
715000
3000
och han rör pennan mot hjärtat,
12:13
and the heart is now beating in front of him,
302
718000
2000
och hjärtat slår nu framför honom,
12:15
so he can see how the heart is beating.
303
720000
2000
så han kan se hur hjärtat slår.
12:17
He's taken the pen, and he's moving it towards the heart,
304
722000
2000
Han tar pennan och rör den mot hjärtat,
12:19
and he's putting it on the heart,
305
724000
2000
och han sätter den på hjärtat,
12:21
and then he feels the heartbeats from the real living patient.
306
726000
3000
och sen känner han hjärtslagen från den levande patienten.
12:24
Then he can examine how the heart is moving.
307
729000
2000
Sedan kan han undersöka hur hjärtat rör sig.
12:26
He can go inside, push inside of the heart,
308
731000
2000
Han kan trycka sig in inuti hjärtat,
12:28
and really feel how the valves are moving.
309
733000
3000
och riktigt känna hur klaffarna rör sig.
12:31
And this, I think, is really the future for heart surgeons.
310
736000
3000
Och detta, tror jag, är framtiden för hjärtkirurger.
12:34
I mean it's probably the wet dream for a heart surgeon
311
739000
3000
Jag menar det är förmodligen en våt dröm för en hjärtkirurg
12:37
to be able to go inside of the patient's heart
312
742000
3000
att kunna gå inuti en patients hjärta
12:40
before you actually do surgery,
313
745000
2000
innan du gör det riktiga kirurgiska ingreppet,
12:42
and do that with high-quality resolution data.
314
747000
2000
och gör det med högkvalitativ, högupplöst data.
12:44
So this is really neat.
315
749000
2000
Så det här är jättebra.
12:47
Now we're going even further into science fiction.
316
752000
3000
Nu rör vi oss ännu längre in i framtidens science fiction.
12:50
And we heard a little bit about functional MRI.
317
755000
3000
Vi hörde lite om funktionell MRI.
12:53
Now this is really an interesting project.
318
758000
3000
Det här är ett riktigt intressant projekt.
12:56
MRI is using magnetic fields
319
761000
2000
MRI använder sig av magnetfält
12:58
and radio frequencies
320
763000
2000
och radiofrekvenser
13:00
to scan the brain, or any part of the body.
321
765000
3000
för att scanna hjärnan, eller vilken kroppsdel som helst.
13:03
So what we're really getting out of this
322
768000
2000
Så vad vi egentligen får ut av detta
13:05
is information of the structure of the brain,
323
770000
2000
är information om hjärnans struktur,
13:07
but we can also measure the difference
324
772000
2000
men vi kan också mäta skillnaden
13:09
in magnetic properties of blood that's oxygenated
325
774000
3000
av magnetiska egenskaper mellan blod som är syresatt
13:12
and blood that's depleted of oxygen.
326
777000
3000
och blod som är syrefattigt.
13:15
That means that it's possible
327
780000
2000
Det innebär att det är möjligt
13:17
to map out the activity of the brain.
328
782000
2000
att kartlägga hjärnaktiviteten.
13:19
So this is something that we've been working on.
329
784000
2000
Så detta är något vi har jobbat på.
13:21
And you just saw Motts the research engineer, there,
330
786000
3000
Och ni såg precis forskningsingenjören Mats
13:24
going into the MRI system,
331
789000
2000
åka in i MRI-systemet,
13:26
and he was wearing goggles.
332
791000
2000
och han hade på sig ett par glasögon.
13:28
So he could actually see things in the goggles.
333
793000
2000
Så han kunde se saker i dom här glasögonen.
13:30
So I could present things to him while he's in the scanner.
334
795000
3000
Så jag kunde visa saker för honom medan han låg i scannern.
13:33
And this is a little bit freaky,
335
798000
2000
Och det här är lite galet,
13:35
because what Motts is seeing is actually this.
336
800000
2000
för vad Mats ser är egentligen detta.
13:37
He's seeing his own brain.
337
802000
3000
Han ser sin egen hjärna.
13:40
So Motts is doing something here,
338
805000
2000
Så Mats gör någonting här.
13:42
and probably he is going like this with his right hand,
339
807000
2000
Troligtvis gör han så här med sin högerhand,
13:44
because the left side is activated
340
809000
2000
för den vänstra sidan aktiveras
13:46
on the motor cortex.
341
811000
2000
på den primära motoriska barken.
13:48
And then he can see that at the same time.
342
813000
2000
Och sen kan han se det samtidigt.
13:50
These visualizations are brand new.
343
815000
2000
Dessa visualiseringar är helt nya.
13:52
And this is something that we've been researching for a little while.
344
817000
3000
Detta är något som vi har forskat i ett tag.
13:55
This is another sequence of Motts' brain.
345
820000
3000
Det här är en annan sekvens av Mats hjärna.
13:58
And here we asked Motts to calculate backwards from 100.
346
823000
3000
Här bad vi Mats räkna baklänges från 100.
14:01
So he's going "100, 97, 94."
347
826000
2000
Så han tänker "100, 97, 94".
14:03
And then he's going backwards.
348
828000
2000
Och så fortsätter han.
14:05
And you can see how the little math processor is working up here in his brain
349
830000
3000
Man kan se hur den lilla matteprocessorn jobbar här uppe i hans hjärna
14:08
and is lighting up the whole brain.
350
833000
2000
och lyser upp hela hjärnan.
14:10
Well this is fantastic. We can do this in real time.
351
835000
2000
Det här är fantastiskt. Vi kan göra det här i realtid.
14:12
We can investigate things. We can tell him to do things.
352
837000
2000
Vi kan undersöka saker. Vi kan be honom göra saker.
14:14
You can also see that his visual cortex
353
839000
2000
Man kan också se att hans syncentrum
14:16
is activated in the back of the head,
354
841000
2000
är aktiverat på baksidan av huvudet,
14:18
because that's where he's seeing, he's seeing his own brain.
355
843000
2000
för det är där han ser, han ser sin egen hjärna.
14:20
And he's also hearing our instructions
356
845000
2000
Han hör också våra instruktioner
14:22
when we tell him to do things.
357
847000
2000
när vi ber honom göra saker.
14:24
The signal is really deep inside of the brain as well,
358
849000
2000
Signalen är väldigt djup inuti hjärnan också,
14:26
and it's shining through,
359
851000
2000
men den skiner igenom,
14:28
because all of the data is inside this volume.
360
853000
2000
för all data är inuti den här volymen.
14:30
And in just a second here you will see --
361
855000
2000
Om en sekund kommer ni få se --
14:32
okay, here. Motts, now move your left foot.
362
857000
2000
Okej, här. Mats, rör på din vänsterfot.
14:34
So he's going like this.
363
859000
2000
Så han gör så här.
14:36
For 20 seconds he's going like that,
364
861000
2000
I 20 sekunder gör han så,
14:38
and all of a sudden it lights up up here.
365
863000
2000
och helt plötsligt lyser det upp här uppe.
14:40
So we've got motor cortex activation up there.
366
865000
2000
Så vi har aktivering av den motoriska barken där uppe.
14:42
So this is really, really nice,
367
867000
2000
Så det här är riktigt bra.
14:44
and I think this is a great tool.
368
869000
2000
Och jag tycker det här är ett mycket bra redskap.
14:46
And connecting also with the previous talk here,
369
871000
2000
För att knyta an till den tidigare presentationen,
14:48
this is something that we could use as a tool
370
873000
2000
så är detta någonting vi skulle kunna använda som ett verktyg
14:50
to really understand
371
875000
2000
för att verkligen förstå
14:52
how the neurons are working, how the brain is working,
372
877000
2000
hur neuroner fungerar, hur hjärnan fungerar,
14:54
and we can do this with very, very high visual quality
373
879000
3000
och vi kan göra detta med väldigt hög visuell kvalitet
14:57
and very fast resolution.
374
882000
3000
och väldigt hög tidsupplösning.
15:00
Now we're also having a bit of fun at the center.
375
885000
2000
Vi har också lite roligt på vårt center.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
887000
3000
Det här är en CAT scan -- "Computer Aided Tomography" (datortomografi).
15:06
So this is a lion from the local zoo
377
891000
2000
Det här är ett lejon från den lokala djurparken
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
893000
3000
utanför Norrköping - Kolmården. Elsa.
15:11
So she came to the center,
379
896000
2000
Så hon kom till centret,
15:13
and they sedated her
380
898000
2000
och dom gav henne bedövning
15:15
and then put her straight into the scanner.
381
900000
2000
innan hon åkte in i scannern.
15:17
And then, of course, I get the whole data set from the lion.
382
902000
3000
Sen får jag hela datauppsättningen av lejonet.
15:20
And I can do very nice images like this.
383
905000
2000
Och jag kan göra så här fina bilder.
15:22
I can peel off the layer of the lion.
384
907000
2000
Jag kan skala av lager av lejonet.
15:24
I can look inside of it.
385
909000
2000
Jag kan titta inuti det.
15:26
And we've been experimenting with this.
386
911000
2000
Vi har experimenterat med detta
15:28
And I think this is a great application
387
913000
2000
och jag tycker det är jättebra tillämpning
15:30
for the future of this technology,
388
915000
2000
för framtiden av den här teknologin.
15:32
because there's very little known about the animal anatomy.
389
917000
3000
För man vet väldigt lite om djurs anatomi.
15:35
What's known out there for veterinarians is kind of basic information.
390
920000
3000
Den vetskap som finns där ute för veterinärer är ganska enkel information.
15:38
We can scan all sorts of things,
391
923000
2000
Vi kan scanna alla möjliga saker,
15:40
all sorts of animals.
392
925000
2000
alla sorters djur.
15:42
The only problem is to fit it into the machine.
393
927000
3000
Det enda problemet är att få in det i maskinen.
15:45
So here's a bear.
394
930000
2000
Här är en björn.
15:47
It was kind of hard to get it in.
395
932000
2000
Det var rätt svårt att få in den.
15:49
And the bear is a cuddly, friendly animal.
396
934000
3000
Och björnen är ett gosigt, vänligt djur.
15:52
And here it is. Here is the nose of the bear.
397
937000
3000
Här är den. Här är björnens nos.
15:55
And you might want to cuddle this one,
398
940000
3000
Man vill kanske gosa med den här,
15:58
until you change the functions and look at this.
399
943000
3000
tills man ändrar inställningarna och tittar på detta.
16:01
So be aware of the bear.
400
946000
2000
Så var akta er för björnen.
16:03
So with that,
401
948000
2000
Så med det
16:05
I'd like to thank all the people
402
950000
2000
skulle jag vilja tacka alla de
16:07
who have helped me to generate these images.
403
952000
2000
som har hjälpt mig skapa dessa bilder.
16:09
It's a huge effort that goes into doing this,
404
954000
2000
Det är en enorm ansträngning som lagts på detta,
16:11
gathering the data and developing the algorithms,
405
956000
3000
att samla all data och utveckla algoritmerna,
16:14
writing all the software.
406
959000
2000
koda all mjukvara.
16:16
So, some very talented people.
407
961000
3000
Väldigt talangfulla människor.
16:19
My motto is always, I only hire people that are smarter than I am
408
964000
3000
Mitt motto är alltid att bara anställa folk som är smartare än jag
16:22
and most of these are smarter than I am.
409
967000
2000
och dom flesta av dessa är smartare än jag.
16:24
So thank you very much.
410
969000
2000
Tack så mycket.
16:26
(Applause)
411
971000
4000
(Applåder)
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