TEDxGöteborg 2010
Anders Ynnerman: Visualizing the medical data explosion
Anders Ynnerman: Tıbbi veri patlamasını görüntülemek
Filmed:
Readability: 3.4
539,883 views
Günümüzde, tıbbi görüntüleme teknikleri tek bir hasta için saniyeler içinde binlerce görüntü ve terabaytlarca veri üretebiliyor. Peki doktorlar bu verilerden hangilerinin faydalı olduğunu nasıl ayırdedebiliyorlar? Bilimsel görüntüleme uzmanı Anders Ynnerman, TEDxGöteburg'da bizlere, bu yoğun verileri analiz eden gelişmiş cihazları (sanal otopsiler gibi) tanıtıyor ve gelişmekte olan bilim-kurgu benzeri tıbbi teknolojilerden örnekler sunuyor. (Uyarı: Bu konuşmada bazı tıbbi görseller mevcuttur.)
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
Size öncelikle karşılaştığımız bir zorluktan,
00:19
the challenge of dealing with data,
1
4000
3000
verilerle uğraşmanın, tıbbi durumlara
00:22
data that we have to deal with
2
7000
2000
ait olan verilerle uğraşmanın zorluğundan
00:24
in medical situations.
3
9000
2000
bahsetmek istiyorum.
00:26
It's really a huge challenge for us.
4
11000
2000
Bu bizim için gerçekten de çok büyük bir zorluk,
00:28
And this is our beast of burden --
5
13000
2000
en zorlandığımız şey bu.
00:30
this is a Computer Tomography machine,
6
15000
2000
Bu bir bilgisayarlı tomografi cihazı --
00:32
a CT machine.
7
17000
2000
bir BT cihazı.
00:34
It's a fantastic device.
8
19000
2000
Müthiş bir cihaz.
00:36
It uses X-rays, X-ray beams,
9
21000
2000
X-ışınlarını kullanıyor,
00:38
that are rotating very fast around the human body.
10
23000
3000
insan vücudu etrafında hızla dönen X ışınlarını kullanıyor.
00:41
It takes about 30 seconds to go through the whole machine
11
26000
2000
Makineye girip çıkmak yaklaşık 30 saniye sürüyor
00:43
and is generating enormous amounts of information
12
28000
2000
ve bu sürenin sonunda makina inanılmaz miktarlarda
00:45
that comes out of the machine.
13
30000
2000
veri üretiyor.
00:47
So this is a fantastic machine
14
32000
2000
Bu, sağlık hizmetlerini
00:49
that we can use
15
34000
2000
iyileştirmek için kullanabileceğimiz
00:51
for improving health care,
16
36000
2000
müthiş bir cihaz. Ama daha önce belirttiğim gibi
00:53
but as I said, it's also a challenge for us.
17
38000
2000
aynı zamanda büyük bir sorun.
00:55
And the challenge is really found in this picture here.
18
40000
3000
Zorluğu bu resimde görmek mümkün.
00:58
It's the medical data explosion
19
43000
2000
Şu an yaşadığımız bir nevi tıbbi
01:00
that we're having right now.
20
45000
2000
veri patlaması.
01:02
We're facing this problem.
21
47000
2000
Yaşadığımız sorun bu.
01:04
And let me step back in time.
22
49000
2000
Sizi zamanda geri götürmeme izin verin.
01:06
Let's go back a few years in time and see what happened back then.
23
51000
3000
Birkaç yıl geriye gidelim ve o zaman bunların nasıl olduğuna bakalım.
01:09
These machines that came out --
24
54000
2000
Bu makineler 1970'li yıllarda
01:11
they started coming in the 1970s --
25
56000
2000
ortaya çıkmaya başladı.
01:13
they would scan human bodies,
26
58000
2000
İnsan vücudunu tarıyorlar ve
01:15
and they would generate about 100 images
27
60000
2000
insan vücuduna ait yaklaşık
01:17
of the human body.
28
62000
2000
100 görüntü üretiyorlardı.
01:19
And I've taken the liberty, just for clarity,
29
64000
2000
Konuyu daha iyi açıklamak için
01:21
to translate that to data slices.
30
66000
3000
bunu veri dilimlerine çevirmek istiyorum.
01:24
That would correspond to about 50 megabytes of data,
31
69000
2000
Bunlar yaklaşık 50 MB veriye denk geliyordu,
01:26
which is small
32
71000
2000
ki bugün mobil cihazlarımızda uğraştığımız
01:28
when you think about the data we can handle today
33
73000
3000
veri miktarını düşünecek olursanız
01:31
just on normal mobile devices.
34
76000
2000
bu oldukça ufak bir veri.
01:33
If you translate that to phone books,
35
78000
2000
Bunu telefon rehberi birimine çevirecek olursanız,
01:35
it's about one meter of phone books in the pile.
36
80000
3000
yerden 1 metre yüksekliği olan bir telefon rehberi sütunu demek.
01:38
Looking at what we're doing today
37
83000
2000
Şimdi de bugün sahip olduğumuz
01:40
with these machines that we have,
38
85000
2000
makinelerle yaptıklarımıza bir bakalım,
01:42
we can, just in a few seconds,
39
87000
2000
sadece birkaç saniye içinde,
01:44
get 24,000 images out of a body,
40
89000
2000
vücuttan 24 bin görüntü alabiliyoruz.
01:46
and that would correspond to about 20 gigabytes of data,
41
91000
3000
Bu yaklaşık 20 GB veri demek,
01:49
or 800 phone books,
42
94000
2000
ya da 800 telefon rehberi.
01:51
and the pile would then be 200 meters of phone books.
43
96000
2000
Üstüste koysanız bu yaklaşık 200 metre eder.
01:53
What's about to happen --
44
98000
2000
Gördüğünüz, görmekte olduğunuz
01:55
and we're seeing this; it's beginning --
45
100000
2000
şu anda süregelen bu teknoloji trendi ile
01:57
a technology trend that's happening right now
46
102000
2000
artık zamana bağlı durumlarla da
01:59
is that we're starting to look at time-resolved situations as well.
47
104000
3000
ilgilenmeye başlıyoruz.
02:02
So we're getting the dynamics out of the body as well.
48
107000
3000
Artık vücuttan ilgili dinamikleri de alabiliyoruz.
02:05
And just assume
49
110000
2000
Farz edin ki
02:07
that we will be collecting data during five seconds,
50
112000
3000
beş saniye boyunca veri toplayacağız,
02:10
and that would correspond to one terabyte of data --
51
115000
2000
bu bir terabayt veriye eşdeğer olacaktır.
02:12
that's 800,000 books
52
117000
2000
Bu 800.000 kitap ve
02:14
and 16 kilometers of phone books.
53
119000
2000
16 km yüksekliğinde bir telefon rehberi kulesi demek.
02:16
That's one patient, one data set.
54
121000
2000
Bu tek bir hasta, bir veri seti.
02:18
And this is what we have to deal with.
55
123000
2000
Altından kalkmamız gereken sorun da bu.
02:20
So this is really the enormous challenge that we have.
56
125000
3000
Yani gerçekten önümüzde müthiş bir zorluk var.
02:23
And already today -- this is 25,000 images.
57
128000
3000
Ve bugün bile, -- bu 250 bin görüntü.
02:26
Imagine the days
58
131000
2000
Bunları radyoloji uzmanlarının
02:28
when we had radiologists doing this.
59
133000
2000
yaptığı günleri düşünün.
02:30
They would put up 25,000 images,
60
135000
2000
25 bin görüntüye bakıp,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
"evet, evet, 25 bin, evet...
02:35
There is the problem."
62
140000
2000
Hah, işte problem şurada." diyeceklerdi.
02:37
They can't do that anymore. That's impossible.
63
142000
2000
Bunu artık yapamıyorlar; bu imkansız.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
144000
3000
Bu nedenle, artık bunu yapabilecek daha akıllı birşeye ihtiyacımız var.
02:43
So what we do is that we put all these slices together.
65
148000
2000
Bu nedenle, bütün bu dilimleri bir araya getiriyoruz.
02:45
Imagine that you slice your body in all these directions,
66
150000
3000
Vücudunuzu tüm yönlerde dilimlediğinizi hayal edin,
02:48
and then you try to put the slices back together again
67
153000
3000
Daha sonra da bu dilimleri tekrar birleştirmeye çalışıyorsunuz,
02:51
into a pile of data, into a block of data.
68
156000
2000
tek bir bilgi yığını halinde, bir blok veri.
02:53
So this is really what we're doing.
69
158000
2000
İşte bizim gerçekte yaptığımız bu.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
160000
3000
Bu bir gigabayt ya da terabaytlık veriyi bir blok halinde yığıyoruz.
02:58
But of course, the block of data
71
163000
2000
Ama elbette, bu veri yığını
03:00
just contains the amount of X-ray
72
165000
2000
insan vücudundaki her nokta
03:02
that's been absorbed in each point in the human body.
73
167000
2000
tarafından soğrulan X-ışını miktarı kadar veri içeriyor.
03:04
So what we need to do is to figure out a way
74
169000
2000
Bu nedenle, yapmamız gereken
03:06
of looking at the things we do want to look at
75
171000
3000
bakmak istediğimiz şeyleri bize gösteren
03:09
and make things transparent that we don't want to look at.
76
174000
3000
görmek istemediklerimizi ise şeffaflaştıran bir yöntem bulmak.
03:12
So transforming the data set
77
177000
2000
Bu veri dizisini şuna benzer
03:14
into something that looks like this.
78
179000
2000
bir şeye dönüştürüyoruz.
03:16
And this is a challenge.
79
181000
2000
İşte işin zor olan kısmı bu.
03:18
This is a huge challenge for us to do that.
80
183000
3000
Bu, bizim aşmamız gereken ciddi bir engel.
03:21
Using computers, even though they're getting faster and better all the time,
81
186000
3000
Gigabaytlarca veriyi işlemek için bilgisayarları kullanmak,
03:24
it's a challenge to deal with gigabytes of data,
82
189000
2000
her ne kadar her geçen anda daha hızlı ve iyi oluyorlarsa da
03:26
terabytes of data
83
191000
2000
terbaytlarca veriyi işlemek ve işe yarar
03:28
and extracting the relevant information.
84
193000
2000
veriyi içlerinden ayıklamak gerçekten zor.
03:30
I want to look at the heart.
85
195000
2000
Kalbe bakmak istiyorum,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
197000
2000
kan damarlarına bakmak istiyorum, karaciğere bakmak istiyorum,
03:34
Maybe even find a tumor,
87
199000
2000
hatta bazı vakalarda
03:36
in some cases.
88
201000
2000
bir tümör arıyorum.
03:39
So this is where this little dear comes into play.
89
204000
2000
İşte bu ufaklığın devreye girdiği an bu.
03:41
This is my daughter.
90
206000
2000
Bu benim kızım.
03:43
This is as of 9 a.m. this morning.
91
208000
2000
Burada saat sabah 9:00,
03:45
She's playing a computer game.
92
210000
2000
ve o bilgisayarda oyun oynuyor.
03:47
She's only two years old,
93
212000
2000
Henüz sadece iki yaşında,
03:49
and she's having a blast.
94
214000
2000
ve acayip eğleniyor.
03:51
So she's really the driving force
95
216000
3000
Grafik işlemci geliştirme birimlerinin
03:54
behind the development of graphics-processing units.
96
219000
3000
arkasındaki itici güç gerçekte o.
03:58
As long as kids are playing computer games,
97
223000
2000
Çocuklar bilgisayar oynamaya devam ettikleri sürece
04:00
graphics is getting better and better and better.
98
225000
2000
grafikler her geçen gün daha iyiye gidecektir.
04:02
So please go back home, tell your kids to play more games,
99
227000
2000
Bu nedenle eve gidince, çocuklarınıza bilgisayarda oyun oynamalarını söyleyin.
04:04
because that's what I need.
100
229000
2000
Çünkü ihtiyacımız olan şey bu.
04:06
So what's inside of this machine
101
231000
2000
Bakın, bu makinenin içinde
04:08
is what enables me to do the things that I'm doing
102
233000
2000
tıbbi verilerle yaptığım bu işleri
04:10
with the medical data.
103
235000
2000
yapmamı sağlayan düzenek mevcut.
04:12
So really what I'm doing is using these fantastic little devices.
104
237000
3000
Aslında kullandıklarım bu ufak müthiş cihazlar.
04:15
And you know, going back
105
240000
2000
Biliyorsunuz ya, geçmişe gidecek olursak
04:17
maybe 10 years in time
106
242000
2000
belki de 10 yıl geriye,
04:19
when I got the funding
107
244000
2000
ilk grafik bilgisayarımı almamı sağlayan
04:21
to buy my first graphics computer --
108
246000
2000
ödeneği aldığım zamana.
04:23
it was a huge machine.
109
248000
2000
O zamanlar bunlar dev gibi makinelerdi.
04:25
It was cabinets of processors and storage and everything.
110
250000
3000
İşlemciler, yedekleyiciler kocaman dolaplardı.
04:28
I paid about one million dollars for that machine.
111
253000
3000
Bu makine için yaklaşık bir milyon dolar ödemiştim.
04:32
That machine is, today, about as fast as my iPhone.
112
257000
3000
Bu makine, yaklaşık benim bugün kullandığım iPhone hızında.
04:37
So every month there are new graphics cards coming out,
113
262000
2000
Her ay yeni bir görüntü kartı piyasaya çıkıyor.
04:39
and here is a few of the latest ones from the vendors --
114
264000
3000
Burada tedarikçilerin son makinelerinden örnekler var --
04:42
NVIDIA, ATI, Intel is out there as well.
115
267000
3000
NVIDIA, ATI, Intel de bunlardan biri.
04:45
And you know, for a few hundred bucks
116
270000
2000
Biliyorsunuz, birkaç yüz dolar verirseniz
04:47
you can get these things and put them into your computer,
117
272000
2000
bunlardan birini alıp evdeki bilgisayarınıza takabilir
04:49
and you can do fantastic things with these graphics cards.
118
274000
3000
ve bu görüntü kartları ile muhteşem şeyler yapabilirsiniz.
04:52
So this is really what's enabling us
119
277000
2000
Bizim, tıp alanındaki patlama yapan
04:54
to deal with the explosion of data in medicine,
120
279000
3000
veri ile uğraşmamızı sağlayan şey bu,
04:57
together with some really nifty work
121
282000
2000
algoritma içeren hoş birkaç
04:59
in terms of algorithms --
122
284000
2000
iş ile birlikte --
05:01
compressing data,
123
286000
2000
veri sıkıştırma ve
05:03
extracting the relevant information that people are doing research on.
124
288000
3000
araştırmadaki anlamlı veriyi diğerlerinin arasından bulma.
05:06
So I'm going to show you a few examples of what we can do.
125
291000
3000
Size neler yapabildiğimize ilişkin birkaç örnek vermek istiyorum.
05:09
This is a data set that was captured using a CT scanner.
126
294000
3000
Bu veri seti bir BT tarayıcı kullanılarak elde edildi.
05:12
You can see that this is a full data [set].
127
297000
3000
Bunun eksiksiz bir veri olduğunu görüyorsunuz.
05:15
It's a woman. You can see the hair.
128
300000
3000
O bir kadın. Saçları görebiliyorsunuz.
05:18
You can see the individual structures of the woman.
129
303000
3000
Kadının vücudunun detaylarını seçebilirsiniz.
05:21
You can see that there is [a] scattering of X-rays
130
306000
3000
Burada, dişlerde X-ışını saçılımlarını
05:24
on the teeth, the metal in the teeth.
131
309000
2000
görebilirsiniz, bunlar dişlerdeki metaller.
05:26
That's where those artifacts are coming from.
132
311000
3000
Bu artifaktlar buradan geliyor.
05:29
But fully interactively
133
314000
2000
Ama aynen normal bir bilgisayardaki
05:31
on standard graphics cards on a normal computer,
134
316000
3000
standart bir grafik kartı gibi,
05:34
I can just put in a clip plane.
135
319000
2000
verileri bir klip haline getirebilirim.
05:36
And of course all the data is inside,
136
321000
2000
Elbette bütün veri burada, içinde.
05:38
so I can start rotating, I can look at it from different angles,
137
323000
3000
Böylece sağa sola çevirebilir, istediğim açılardan bakabilirim.
05:41
and I can see that this woman had a problem.
138
326000
3000
Bakınca bu kadının bir sorunu olduğunu görebiliyorum.
05:44
She had a bleeding up in the brain,
139
329000
2000
Beyninde bir kanama var.
05:46
and that's been fixed with a little stent,
140
331000
2000
Ufak bir stent ile tamir edilmiş,
05:48
a metal clamp that's tightening up the vessel.
141
333000
2000
yani damarı tıkayan bir metal kliple.
05:50
And just by changing the functions,
142
335000
2000
Fonksiyonları değiştirerek,
05:52
then I can decide what's going to be transparent
143
337000
3000
neyin saydam olacağını, neyin görünür
05:55
and what's going to be visible.
144
340000
2000
olacağını ayarlayabilirim.
05:57
I can look at the skull structure,
145
342000
2000
Kafatasının yapısına bakabilirim,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
344000
3000
bu kadının kafatasını açtıkları yeri görebilirim,
06:02
and that's where they went in.
147
347000
2000
ve işte beyine buradan girmişler.
06:04
So these are fantastic images.
148
349000
2000
Yani bunlar muhteşem görüntüler.
06:06
They're really high resolution,
149
351000
2000
Yüksek çözünürlüklü görüntüler,
06:08
and they're really showing us what we can do
150
353000
2000
ve bugün standart bir grafik kartı ile
06:10
with standard graphics cards today.
151
355000
3000
neler yapabileceğimizi gösteriyorlar.
06:13
Now we have really made use of this,
152
358000
2000
Bunları pekçok yerde kullandık ve
06:15
and we have tried to squeeze a lot of data
153
360000
3000
sisteme epey veri yüklemeye
06:18
into the system.
154
363000
2000
çalıştık.
06:20
And one of the applications that we've been working on --
155
365000
2000
Üzerinde uğraştığımız uygulamalardan biri de --
06:22
and this has gotten a little bit of traction worldwide --
156
367000
3000
ki bu dünya çapında epey ilgi çekti --
06:25
is the application of virtual autopsies.
157
370000
2000
bu verilerin sanal otopsilerde kullanılması.
06:27
So again, looking at very, very large data sets,
158
372000
2000
Anımsayın, çok ama çok büyük veri setlerine baktınız ve
06:29
and you saw those full-body scans that we can do.
159
374000
3000
bizim bu tüm-vücut taraması ile neler yapabildiğimizi gördünüz.
06:32
We're just pushing the body through the whole CT scanner,
160
377000
3000
Vücudu bir bütün olarak BT tarayıcısından geçiriyoruz,
06:35
and just in a few seconds we can get a full-body data set.
161
380000
3000
ve birkaç saat içinde tüm-vücut veri seti elde edebiliyoruz.
06:38
So this is from a virtual autopsy.
162
383000
2000
Bu görüntü, bir sanal otopsiden.
06:40
And you can see how I'm gradually peeling off.
163
385000
2000
Nasıl kat kat soyulduğunu görebiliyorsunuz.
06:42
First you saw the body bag that the body came in,
164
387000
3000
İlk gördüğünüz vücudun içinde geldiği ceset torbası,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
390000
3000
sonra deriyi soyuyorum --kasları görebilirsiniz--
06:48
and eventually you can see the bone structure of this woman.
166
393000
3000
sonunda bu kadının kemiklerine kadar ineceksiniz.
06:51
Now at this point, I would also like to emphasize
167
396000
3000
Bu noktada, size şimdi göstereceğim kişilerin
06:54
that, with the greatest respect
168
399000
2000
görüntülerine büyük bir saygı duyduğumu
06:56
for the people that I'm now going to show --
169
401000
2000
belirtmek isterim.
06:58
I'm going to show you a few cases of virtual autopsies --
170
403000
2000
Size birkaç sanal otopsi örneği göstereceğim --
07:00
so it's with great respect for the people
171
405000
2000
göstereceğim örneklerde yer alan
07:02
that have died under violent circumstances
172
407000
2000
vahşice öldürülen bu insanlara
07:04
that I'm showing these pictures to you.
173
409000
3000
büyük saygı duyduğumu belirtmek isterim.
07:08
In the forensic case --
174
413000
2000
Adli bir vakada --
07:10
and this is something
175
415000
2000
ki geçtiğimiz dört yıl içinde
07:12
that ... there's been approximately 400 cases so far
176
417000
2000
benim de yaşadığım İsveç'in bu bölgesinde
07:14
just in the part of Sweden that I come from
177
419000
2000
her yıl sanal otopsi yapılan
07:16
that has been undergoing virtual autopsies
178
421000
2000
yaklaşık 400 vaka
07:18
in the past four years.
179
423000
2000
mevcut.
07:20
So this will be the typical workflow situation.
180
425000
3000
Bu vakalardaki tipik iş akışı şöyledir.
07:23
The police will decide --
181
428000
2000
Polis akşamdan vakalara karar verir
07:25
in the evening, when there's a case coming in --
182
430000
2000
bir vaka geldiğinde --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
432000
3000
tamam derler, bu otopsi yapılması gereken bir vaka.
07:30
So in the morning, in between six and seven in the morning,
184
435000
3000
Böylece, sabahleyin, saat 6 ile 7 arasında
07:33
the body is then transported inside of the body bag
185
438000
2000
cesetler, ceset torbalarının içinde
07:35
to our center
186
440000
2000
merkezimize getirilirler ve
07:37
and is being scanned through one of the CT scanners.
187
442000
2000
BT tarayıcılarından biri ile taranırlar.
07:39
And then the radiologist, together with the pathologist
188
444000
2000
Daha sonra radyolog ve patolog,
07:41
and sometimes the forensic scientist,
189
446000
2000
bazen de adli tıp uzmanı
07:43
looks at the data that's coming out,
190
448000
2000
bir araya gelirler ve
07:45
and they have a joint session.
191
450000
2000
çıkan verilere bakarlar.
07:47
And then they decide what to do in the real physical autopsy after that.
192
452000
3000
Ancak bundan sonra vakaya gerçek otopsi yapıp yapmamaya karar verilir.
07:52
Now looking at a few cases,
193
457000
2000
Birkaç örnek vakaya beraber bakalım.
07:54
here's one of the first cases that we had.
194
459000
2000
Bu ilk vakalarımızdan biri.
07:56
You can really see the details of the data set.
195
461000
3000
Veri setinin detaylarını gerçekten de görebilirsiniz;
07:59
It's very high-resolution,
196
464000
2000
çok yüksek çözünürlükte.
08:01
and it's our algorithms that allow us
197
466000
2000
Tüm detaylara yakın görüş imkanı sağlayan şey
08:03
to zoom in on all the details.
198
468000
2000
bizim algoritmalarımız.
08:05
And again, it's fully interactive,
199
470000
2000
Tekrar belirteyim, bunlar tamamen interaktif,
08:07
so you can rotate and you can look at things in real time
200
472000
2000
yani buradaki sistemleri döndürebilir ve
08:09
on these systems here.
201
474000
2000
istediğiniz şeye gerçek zamanlı olarak bakabilirsiniz.
08:11
Without saying too much about this case,
202
476000
2000
Bu vaka hakkında çok birşey söylemeye gerek yok,
08:13
this is a traffic accident,
203
478000
2000
bu bir trafik kazası,
08:15
a drunk driver hit a woman.
204
480000
2000
alkollü bir sürücü bu kadına çarpmış.
08:17
And it's very, very easy to see the damages on the bone structure.
205
482000
3000
Kemik yapılarındaki hasarı görmek çok ama çok kolay.
08:20
And the cause of death is the broken neck.
206
485000
3000
Ölüm nedeni boyun kırılması.
08:23
And this women also ended up under the car,
207
488000
2000
Aynı zamanda araba bu kadının üzerinden de geçmiş,
08:25
so she's quite badly beaten up
208
490000
2000
bu kaza gerçekten onu
08:27
by this injury.
209
492000
2000
çok ciddi şekilde zedelemiş.
08:29
Here's another case, a knifing.
210
494000
3000
Bu başka bir vaka, bir bıçaklanma.
08:32
And this is also again showing us what we can do.
211
497000
2000
Bu vaka da neler yapabileceğimizi çok iyi gösteriyor.
08:34
It's very easy to look at metal artifacts
212
499000
2000
Vücut içinde kalan metal kalıntılarına
08:36
that we can show inside of the body.
213
501000
3000
bakmamız çok kolay.
08:39
You can also see some of the artifacts from the teeth --
214
504000
3000
Dişlerde de bazı artifaktlar görüyorsunuz --
08:42
that's actually the filling of the teeth --
215
507000
2000
bunlar diş dolguları --
08:44
but because I've set the functions to show me metal
216
509000
3000
bunları görüyorsunuz çünkü ayarları sadece metalleri gösterecek
08:47
and make everything else transparent.
217
512000
2000
ve bunun dışındaki herşeyi şeffaflaştıracak hale getirdim.
08:49
Here's another violent case. This really didn't kill the person.
218
514000
3000
Bu bir başka şiddet vakası. Bu kişiyi öldüren şey bu değil.
08:52
The person was killed by stabs in the heart,
219
517000
2000
Bu kişi, kalbinden bıçaklandığı için ölmüş,
08:54
but they just deposited the knife
220
519000
2000
ama katiller işleri bitince bıçağı
08:56
by putting it through one of the eyeballs.
221
521000
2000
göz kürelerinden birine saplayıp bırakmışlar.
08:58
Here's another case.
222
523000
2000
Bu başka bir vaka.
09:00
It's very interesting for us
223
525000
2000
Bizim için, bu tip bıçaklanma olaylarına
09:02
to be able to look at things like knife stabbings.
224
527000
2000
böyle bakabiliyor olmak çok ilginç.
09:04
Here you can see that knife went through the heart.
225
529000
3000
Burada bıçağın kalbi nasıl deldiğini görüyorsunuz.
09:07
It's very easy to see how air has been leaking
226
532000
2000
Havanın bir taraftan diğer tarafa sızdığını görmek
09:09
from one part to another part,
227
534000
2000
çok kolay.
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
536000
3000
Ki bunu görmek standart bir otopside çok zordur.
09:14
So it really, really helps
229
539000
2000
Bu teknik, adli kovuşturmada
09:16
the criminal investigation
230
541000
2000
ölüm nedenini bulma konusunda
09:18
to establish the cause of death,
231
543000
2000
çok ama çok yardımcı olup,
09:20
and in some cases also directing the investigation in the right direction
232
545000
3000
bazı vakalarda soruşturmanın doğru yöne gitmesini sağlayarak
09:23
to find out who the killer really was.
233
548000
2000
katilin bulunmasına yardımcı oluyor.
09:25
Here's another case that I think is interesting.
234
550000
2000
Benim ilginç bulduğum bir başka vaka.
09:27
Here you can see a bullet
235
552000
2000
Burada, bu kişinin
09:29
that has lodged just next to the spine on this person.
236
554000
3000
omurgasına saplanmış olan bu kurşunu görebiliyorsunuz.
09:32
And what we've done is that we've turned the bullet into a light source,
237
557000
3000
yaptığımız kurşunu bir ışık kaynağı haline getirmek,
09:35
so that bullet is actually shining,
238
560000
2000
böylece ışıldıyor ve
09:37
and it makes it really easy to find these fragments.
239
562000
3000
onu bu parçalar arasında bulmak kolaylaşıyor.
09:40
During a physical autopsy,
240
565000
2000
Fiziksel bir otopside,
09:42
if you actually have to dig through the body to find these fragments,
241
567000
2000
bu parçaları bulmak için organların arasını eşelemeniz gerekir,
09:44
that's actually quite hard to do.
242
569000
2000
ki bu oldukça zor bir şeydir.
09:48
One of the things that I'm really, really happy
243
573000
2000
Bugün, burada size göstermekten
09:50
to be able to show you here today
244
575000
3000
mutluluk duyduğum şeylerden biri de
09:53
is our virtual autopsy table.
245
578000
2000
bizim sanal otopsi masamız.
09:55
It's a touch device that we have developed
246
580000
2000
Bu algoritmaları baz alarak ve standart grafik GPU'ları kullanarak
09:57
based on these algorithms, using standard graphics GPUs.
247
582000
3000
geliştirdiğimiz bir dokunmatik cihaz.
10:00
It actually looks like this,
248
585000
2000
Aslında şöyle birşey,
10:02
just to give you a feeling for what it looks like.
249
587000
3000
size nasıl olduğunu anlatmak istiyorum.
10:05
It really just works like a huge iPhone.
250
590000
3000
Dev bir iPhone gibi çalışıyor aslında.
10:08
So we've implemented
251
593000
2000
Bir masada yapacağınız tüm hareketleri
10:10
all the gestures you can do on the table,
252
595000
3000
buna uyarladık. Bunu dev
10:13
and you can think of it as an enormous touch interface.
253
598000
4000
bir dokunmatik arayüz olarak düşünün.
10:17
So if you were thinking of buying an iPad,
254
602000
2000
Yani eğer bir iPad almayı planlıyorsanız,
10:19
forget about it. This is what you want instead.
255
604000
3000
boşverin, onun yerine bunu alın.
10:22
Steve, I hope you're listening to this, all right.
256
607000
3000
Steve, umarım sen de izliyorsundur bunu.
10:26
So it's a very nice little device.
257
611000
2000
Yani bu çok hoş bir cihaz.
10:28
So if you have the opportunity, please try it out.
258
613000
2000
Eğer bir fırsat bulursanız mutlaka deneyin.
10:30
It's really a hands-on experience.
259
615000
3000
Bizzat yaşanması gereken bir deneyim.
10:33
So it gained some traction, and we're trying to roll this out
260
618000
3000
Biraz ilgi yarattık, şimdi bunu yaygınlaştırmaya ve
10:36
and trying to use it for educational purposes,
261
621000
2000
eğitim amaçlı kullanılmasını sağlamaya çalışıyoruz,
10:38
but also, perhaps in the future,
262
623000
2000
hatta ileride belki
10:40
in a more clinical situation.
263
625000
3000
klinik ortamda da kullanılabilir.
10:43
There's a YouTube video that you can download and look at this,
264
628000
2000
Bu bilgiyi başkaları ile de paylaşmak isterseniz
10:45
if you want to convey the information to other people
265
630000
2000
You Tube'da sanal otopsilerle ilgili bir video var,
10:47
about virtual autopsies.
266
632000
3000
izleyebilir veya yükleyebilirsiniz.
10:50
Okay, now that we're talking about touch,
267
635000
2000
Peki, dokunmaktan bahsediyorduk,
10:52
let me move on to really "touching" data.
268
637000
2000
veriye gerçekten dokunmaya geçelim.
10:54
And this is a bit of science fiction now,
269
639000
2000
Bunun biraz bilim kurgu gibi göründüğünü biliyorum,
10:56
so we're moving into really the future.
270
641000
3000
işte şimdi geleceğe doğru bakıyoruz.
10:59
This is not really what the medical doctors are using right now,
271
644000
3000
Bu, doktorların şu an kullanmakta olduğu bir şey değil,
11:02
but I hope they will in the future.
272
647000
2000
ama umuyorum gelecekte olacak.
11:04
So what you're seeing on the left is a touch device.
273
649000
3000
Solda gördüğünüz bir dokunmatik cihaz.
11:07
It's a little mechanical pen
274
652000
2000
Küçük mekanik bir kalem.
11:09
that has very, very fast step motors inside of the pen.
275
654000
3000
Bu kalemin içinde çok hızlı step motorları var,
11:12
And so I can generate a force feedback.
276
657000
2000
böylelikle bir güç geribildiriminde bulunabiliyor.
11:14
So when I virtually touch data,
277
659000
2000
Yani gerçek anlamda veriye dokunduğum zaman,
11:16
it will generate forces in the pen, so I get a feedback.
278
661000
3000
bu, kalemde dokunma kuvvetleri yaratacak, ve ben bir geribildirim alacağım.
11:19
So in this particular situation,
279
664000
2000
Bu örnekte, veri,
11:21
it's a scan of a living person.
280
666000
2000
yaşayan bir insanın tomografisi.
11:23
I have this pen, and I look at the data,
281
668000
3000
Elimde bu kalemle veriye bakıyorum,
11:26
and I move the pen towards the head,
282
671000
2000
kalemi kafaya doğru yaklaştırıyorum,
11:28
and all of a sudden I feel resistance.
283
673000
2000
birden bir engel hissediyorum elimde.
11:30
So I can feel the skin.
284
675000
2000
Böylelikle deriyi hissedebiliyorum.
11:32
If I push a little bit harder, I'll go through the skin,
285
677000
2000
Biraz daha kuvvetle bastırırsam, deriyi geçebilirim,
11:34
and I can feel the bone structure inside.
286
679000
3000
ve içerideki kemik yapıyı hissedebilirim.
11:37
If I push even harder, I'll go through the bone structure,
287
682000
2000
Daha da hızlı bastırırsam, kemik yapının da içine girebilirim,
11:39
especially close to the ear where the bone is very soft.
288
684000
3000
özellikle de kemiğin yumuşak olduğu kulağa yakın yerlerdeysem.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
687000
3000
Daha sonra içerideki beyin dokusunu hissedebilirim, böyle yumuşak bir hissi olacaktır.
11:45
So this is really nice.
290
690000
2000
Bu gerçekten çok güzel.
11:47
And to take that even further, this is a heart.
291
692000
3000
Daha da ileri gidecek olursak, bu kalp.
11:50
And this is also due to these fantastic new scanners,
292
695000
3000
Gene bu yeni tarayıcılar sayesinde,
11:53
that just in 0.3 seconds,
293
698000
2000
sadece 0.3 saniyede
11:55
I can scan the whole heart,
294
700000
2000
tüm kalbi tarayabilirim.
11:57
and I can do that with time resolution.
295
702000
2000
Bunu zaman çözünürlüklü yapabilirim.
11:59
So just looking at this heart,
296
704000
2000
Böylece kalbe bakarken,
12:01
I can play back a video here.
297
706000
2000
bu videoyu çalıştırabilirim.
12:03
And this is Karljohan, one of my graduate students
298
708000
2000
Bu Karljohan, bu projede çalışan
12:05
who's been working on this project.
299
710000
2000
doktora öğrencilerimden biri.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
712000
3000
Burada, Haptic cihazının, bu güç geribildirimi cihazının önünde oturuyor,
12:10
and he's moving his pen towards the heart,
301
715000
3000
elindeki kalemi kalbe yaklaştırıyor,
12:13
and the heart is now beating in front of him,
302
718000
2000
şu an kalp önünde atıyor,
12:15
so he can see how the heart is beating.
303
720000
2000
böylelikle kalbin nasıl attığını görebiliyor.
12:17
He's taken the pen, and he's moving it towards the heart,
304
722000
2000
Kalemi aline alıp kalbe doğru yaklaştırıyor,
12:19
and he's putting it on the heart,
305
724000
2000
kalbe dokunuyor,
12:21
and then he feels the heartbeats from the real living patient.
306
726000
3000
ve yaşayan bir hastanın kalp atışlarını hissedebiliyor.
12:24
Then he can examine how the heart is moving.
307
729000
2000
Böylece kalbin hareketlerini inceleyebilir.
12:26
He can go inside, push inside of the heart,
308
731000
2000
Kalbin içine girip, içeriden dokunabilir,
12:28
and really feel how the valves are moving.
309
733000
3000
ve kalp kapaklarının nasıl hareket ettiğini hissedebilir.
12:31
And this, I think, is really the future for heart surgeons.
310
736000
3000
Bence bu, kalp cerrahlarının geleceği.
12:34
I mean it's probably the wet dream for a heart surgeon
311
739000
3000
Büyük ihtimalle kalp cerrahlarının fantazilerini bu cihaz süslüyordur,
12:37
to be able to go inside of the patient's heart
312
742000
3000
ameliyat yapmadan önce,
12:40
before you actually do surgery,
313
745000
2000
hastanın kalbinin içine girip bakmak,
12:42
and do that with high-quality resolution data.
314
747000
2000
hem de yüksek çözünürlüklü veri ile.
12:44
So this is really neat.
315
749000
2000
Gerçekten fantazi.
12:47
Now we're going even further into science fiction.
316
752000
3000
Şimdi bilim kurgu alanına biraz daha girelim.
12:50
And we heard a little bit about functional MRI.
317
755000
3000
Daha önce işlevsel MRI ile ilgili birşeyler duymuştuk.
12:53
Now this is really an interesting project.
318
758000
3000
Şimdi bu gerçekten ilginç bir proje.
12:56
MRI is using magnetic fields
319
761000
2000
MRI, beyni ya da vücudun herhangi bir yerini
12:58
and radio frequencies
320
763000
2000
görüntüleyebilmek için
13:00
to scan the brain, or any part of the body.
321
765000
3000
radyo dalgaları ya da manyetik alanlar kullanıyor.
13:03
So what we're really getting out of this
322
768000
2000
Burada bizim esas elde ettiğimiz şey
13:05
is information of the structure of the brain,
323
770000
2000
beynin yapısına ait bilgi elde etmek.
13:07
but we can also measure the difference
324
772000
2000
Fakat, aynı zamanda oksijen bakımından zengin kan ile
13:09
in magnetic properties of blood that's oxygenated
325
774000
3000
oksijeni az olan kan arasındaki
13:12
and blood that's depleted of oxygen.
326
777000
3000
manyetik özellikler farkını da ölçebiliriz.
13:15
That means that it's possible
327
780000
2000
Bu demek oluyor ki, beyin
13:17
to map out the activity of the brain.
328
782000
2000
faaliyetlerinin haritasını çıkarabiliriz.
13:19
So this is something that we've been working on.
329
784000
2000
Şu anda üzerinde çalıştığımız şey bu.
13:21
And you just saw Motts the research engineer, there,
330
786000
3000
Burada gördüğünüz Motts, bizim araştırma mühendisimiz
13:24
going into the MRI system,
331
789000
2000
MRI cihazına giriyor.
13:26
and he was wearing goggles.
332
791000
2000
Gözünde gözlükler var.
13:28
So he could actually see things in the goggles.
333
793000
2000
Bu gözlüklerle, tarayıcı içindeyken görebilir,
13:30
So I could present things to him while he's in the scanner.
334
795000
3000
ben de ona tarayıcıdayken birşeyler gösterebilirim.
13:33
And this is a little bit freaky,
335
798000
2000
Bu biraz ürkütücü,
13:35
because what Motts is seeing is actually this.
336
800000
2000
çünkü Motts aslında bunu görüyor.
13:37
He's seeing his own brain.
337
802000
3000
Kendi beynini.
13:40
So Motts is doing something here,
338
805000
2000
Motts burada birşeyler yapıyor.
13:42
and probably he is going like this with his right hand,
339
807000
2000
Muhtemelen sağ eliyle böyle yapıyor,
13:44
because the left side is activated
340
809000
2000
çünkü sol taraf
13:46
on the motor cortex.
341
811000
2000
motor korteks tarafından aktif durumda.
13:48
And then he can see that at the same time.
342
813000
2000
Aynı zamanda bunu da görebiliyor.
13:50
These visualizations are brand new.
343
815000
2000
Bu görseller çok yeni.
13:52
And this is something that we've been researching for a little while.
344
817000
3000
Son zamanlarda araştırdığımız şeylerden biri de bu.
13:55
This is another sequence of Motts' brain.
345
820000
3000
Bu gördüğünüz Motts'un beyninin bir başka aktivitesi.
13:58
And here we asked Motts to calculate backwards from 100.
346
823000
3000
Burada Motts'dan 100'den başlayarak geriye saymasını istedik.
14:01
So he's going "100, 97, 94."
347
826000
2000
"100, 97, 94...." diye sayıyor.
14:03
And then he's going backwards.
348
828000
2000
Geriye doğru sayarken,
14:05
And you can see how the little math processor is working up here in his brain
349
830000
3000
beynin şurasındaki ufak matematik işlemcisinin çalıştığını ve
14:08
and is lighting up the whole brain.
350
833000
2000
bütün beyni aydınlattığını görebilirsiniz.
14:10
Well this is fantastic. We can do this in real time.
351
835000
2000
Muhteşem bir şey. Gerçek zamanlı olarak yapabiliriz bunu.
14:12
We can investigate things. We can tell him to do things.
352
837000
2000
Bazı şeyleri araştırabilir. Ona birşeyler yapmasını söyleyebiliriz.
14:14
You can also see that his visual cortex
353
839000
2000
Aynız amanda kafasının arka kısmındaki
14:16
is activated in the back of the head,
354
841000
2000
görme alanının da aktif hale geldiğini görüyorsunuz,
14:18
because that's where he's seeing, he's seeing his own brain.
355
843000
2000
çünkü baktığı şey bu, kendi beynine bakıyor.
14:20
And he's also hearing our instructions
356
845000
2000
Aynı zamanda biz ona birşeyler yapmasını söylediğimizde
14:22
when we tell him to do things.
357
847000
2000
bizim komutlarımızı da duyuyor.
14:24
The signal is really deep inside of the brain as well,
358
849000
2000
Bu sinyal beynin epey derinlerinde olmasına rağmen,
14:26
and it's shining through,
359
851000
2000
ışıltısı görülebiliyor,
14:28
because all of the data is inside this volume.
360
853000
2000
bunun nedeni buradaki yüksek veri miktarı.
14:30
And in just a second here you will see --
361
855000
2000
Biraz sonra şunu göreceksiniz --
14:32
okay, here. Motts, now move your left foot.
362
857000
2000
Tamam, burada. Motts sol ayağını oynatıyor.
14:34
So he's going like this.
363
859000
2000
Böyle yapıyor.
14:36
For 20 seconds he's going like that,
364
861000
2000
20 saniye boyunca böyle yapıyor,
14:38
and all of a sudden it lights up up here.
365
863000
2000
birden yukarılarda bir yer ışıldamaya başlıyor.
14:40
So we've got motor cortex activation up there.
366
865000
2000
Burada aktive olan yer motor korteks.
14:42
So this is really, really nice,
367
867000
2000
Bu gerçekten çok ama çok hoş.
14:44
and I think this is a great tool.
368
869000
2000
ve bence müthiş bir cihaz.
14:46
And connecting also with the previous talk here,
369
871000
2000
Bir önceki konuşmaya bir bağlantı yapacak olursam,
14:48
this is something that we could use as a tool
370
873000
2000
bu sinir hücrelerinin, beynin nasıl çalıştığını
14:50
to really understand
371
875000
2000
gerçekten de
14:52
how the neurons are working, how the brain is working,
372
877000
2000
anlamamıza yarayacak bir cihaz.
14:54
and we can do this with very, very high visual quality
373
879000
3000
Ve bunu çok ama çok iyi bir çözünürlükle ve
14:57
and very fast resolution.
374
882000
3000
görüntü kalitesiyle yapabiliriz.
15:00
Now we're also having a bit of fun at the center.
375
885000
2000
Bizim merkezimizde arada eğlendiğimiz zamanlar da oluyor.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
887000
3000
Bu bir Bilgisayar Destekli Tomografi ( CAT scan).
15:06
So this is a lion from the local zoo
377
891000
2000
Bu yerel hayvanat bahçesinden bir aslan,
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
893000
3000
Norrkoping'in heme dışından, Elsa, Kolmarden'den.
15:11
So she came to the center,
379
896000
2000
Bizim merkezimize geldi,
15:13
and they sedated her
380
898000
2000
onu uyuşturdular ve
15:15
and then put her straight into the scanner.
381
900000
2000
hemen tarayıcının içine koydular.
15:17
And then, of course, I get the whole data set from the lion.
382
902000
3000
Elbette, bu aslana ait tüm veri setini ben de edindim.
15:20
And I can do very nice images like this.
383
905000
2000
Ve bu verilerle çok hoş görüntüler elde edebilirim.
15:22
I can peel off the layer of the lion.
384
907000
2000
Aslanın üzerinden bir tabaka sıyırabilirim.
15:24
I can look inside of it.
385
909000
2000
Onun içine bakabilirim.
15:26
And we've been experimenting with this.
386
911000
2000
Bununla epey bir deney yaptık.
15:28
And I think this is a great application
387
913000
2000
Bence, bu cihaz, bu teknolojinin
15:30
for the future of this technology,
388
915000
2000
geleceği için çok önemli.
15:32
because there's very little known about the animal anatomy.
389
917000
3000
Çünkü, hayvan anatomisi hakkında çok az şey biliniyor.
15:35
What's known out there for veterinarians is kind of basic information.
390
920000
3000
Veterinerler, çok basit ve temel şeyleri biliyorlar.
15:38
We can scan all sorts of things,
391
923000
2000
Her şeyi tarayıcıya sokabiliriz,
15:40
all sorts of animals.
392
925000
2000
her tür hayvanı.
15:42
The only problem is to fit it into the machine.
393
927000
3000
Tek sorun makineye sığıdarabilmek.
15:45
So here's a bear.
394
930000
2000
Burada bir ayı var.
15:47
It was kind of hard to get it in.
395
932000
2000
Makineye sokmak biraz zor oldu.
15:49
And the bear is a cuddly, friendly animal.
396
934000
3000
Ayı sevecen, yumoş bir hayvan değil mi?
15:52
And here it is. Here is the nose of the bear.
397
937000
3000
İşte burada. Ayının burnunu görüyorsunuz.
15:55
And you might want to cuddle this one,
398
940000
3000
Ama fonksiyonları değiştirip de öyle bakarsanız
15:58
until you change the functions and look at this.
399
943000
3000
onu artık pek yumoş bulmayabilirsiniz.
16:01
So be aware of the bear.
400
946000
2000
Ayılara dikkat edin.
16:03
So with that,
401
948000
2000
Bu noktada,
16:05
I'd like to thank all the people
402
950000
2000
bu görüntüleri oluşturmama yardımcı olan
16:07
who have helped me to generate these images.
403
952000
2000
herkese çok teşekkür etmek istiyorum.
16:09
It's a huge effort that goes into doing this,
404
954000
2000
Bunu yapmak çok büyük bir emek gerektirdi,
16:11
gathering the data and developing the algorithms,
405
956000
3000
verileri toplamak, algoritmaları geliştirmek,
16:14
writing all the software.
406
959000
2000
bütün bu yazılımı yapmak.
16:16
So, some very talented people.
407
961000
3000
Hepsi çok yetenekli insanlar.
16:19
My motto is always, I only hire people that are smarter than I am
408
964000
3000
Benim prensibim her zaman, benden daha zeki insanları işe almak olmuştur
16:22
and most of these are smarter than I am.
409
967000
2000
ve bu kişilerin çoğu benden çok daha zeki.
16:24
So thank you very much.
410
969000
2000
Hepinize çok teşekkür ederim.
16:26
(Applause)
411
971000
4000
(Alkışlar)
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