Anders Ynnerman: Visualizing the medical data explosion

42,202 views ・ 2011-01-21

TED


Κάντε διπλό κλικ στους αγγλικούς υπότιτλους παρακάτω για να αναπαραγάγετε το βίντεο.

Μετάφραση: Eleftherios Avramidis Επιμέλεια: Vasiliki Fragkoulidou
00:15
I will start by posing a little bit of a challenge:
0
15260
4000
Θα ξεκινήσω θέτοντας μία πρόκληση,
00:19
the challenge of dealing with data,
1
19260
3000
την πρόκληση της διαχείρισης δεδομένων,
00:22
data that we have to deal with
2
22260
2000
δεδομένων που πρέπει να διαχειριστούμε
00:24
in medical situations.
3
24260
2000
σε ιατρικές περιστάσεις.
00:26
It's really a huge challenge for us.
4
26260
2000
Είναι πραγματικά μία τεράστια πρόκληση για μας
00:28
And this is our beast of burden --
5
28260
2000
και αυτό είναι το υποζύγιό μας.
00:30
this is a Computer Tomography machine,
6
30260
2000
Αυτό είναι ένα μηχάνημα υπολογιστικής αξονικής τομογραφίας --
00:32
a CT machine.
7
32260
2000
ένα μηχάνημα ΥΤ.
00:34
It's a fantastic device.
8
34260
2000
Είναι μία φανταστική συσκευή.
00:36
It uses X-rays, X-ray beams,
9
36260
2000
Χρησιμοποιεί ακτίνες Χ, δέσμες ακτίνων Χ,
00:38
that are rotating very fast around the human body.
10
38260
3000
οι οποίες περιστρέφονται πολύ γρήγορα γύρω από το ανθρώπινο σώμα.
00:41
It takes about 30 seconds to go through the whole machine
11
41260
2000
Παίρνει περίπου 30 δευτερόλεπτα για να περάσει μέσα από όλο το μηχάνημα
00:43
and is generating enormous amounts of information
12
43260
2000
και παράγει τεράστιες ποσότητες πληροφοριών
00:45
that comes out of the machine.
13
45260
2000
που εξάγονται από το μηχάνημα.
00:47
So this is a fantastic machine
14
47260
2000
Άρα είναι ένα φανταστικό μηχάνημα
00:49
that we can use
15
49260
2000
που μπορούμε να χρησιμοποιήσουμε
00:51
for improving health care,
16
51260
2000
για να βελτιώσουμε την υγειονομική περίθαλψη.
00:53
but as I said, it's also a challenge for us.
17
53260
2000
Άλλα όπως είπα, είναι επίσης μια πρόκληση για μας.
00:55
And the challenge is really found in this picture here.
18
55260
3000
Και η πρόκληση πραγματικά φαίνεται σε αυτή την εικόνα.
00:58
It's the medical data explosion
19
58260
2000
Είναι η έκρηξη των ιατρικών δεδομένων
01:00
that we're having right now.
20
60260
2000
που συμβαίνει τώρα.
01:02
We're facing this problem.
21
62260
2000
Αντιμετωπίζουμε αυτό το πρόβλημα.
01:04
And let me step back in time.
22
64260
2000
Και επιτρέψτε μου να πάω λίγο πίσω στο χρόνο.
01:06
Let's go back a few years in time and see what happened back then.
23
66260
3000
Ας πάμε λίγα χρόνια πίσω και να δούμε τι συνέβαινε τότε.
01:09
These machines that came out --
24
69260
2000
Αυτά τα μηχανήματα που εμφανίστηκαν --
01:11
they started coming in the 1970s --
25
71260
2000
άρχισαν να εμφανίζονται την δεκαετία του 1970 --
01:13
they would scan human bodies,
26
73260
2000
σάρωναν ανθρώπινα σώματα,
01:15
and they would generate about 100 images
27
75260
2000
και παρήγαγαν περίπου 100 εικόνες
01:17
of the human body.
28
77260
2000
από το ανθρώπινο σώμα.
01:19
And I've taken the liberty, just for clarity,
29
79260
2000
Και πήρα την πρωτοβουλία, για σαφήνεια,
01:21
to translate that to data slices.
30
81260
3000
να τις μετατρέψω σε φέτες δεδομένων.
01:24
That would correspond to about 50 megabytes of data,
31
84260
2000
Αυτό αποτελείται από περίπου 50 MB δεδομένων,
01:26
which is small
32
86260
2000
το οποίο είναι μικρό
01:28
when you think about the data we can handle today
33
88260
3000
αν σκεφτείς την ποσότητα δεδομένων που μπορούμε να διαχειριστούμε σήμερα
01:31
just on normal mobile devices.
34
91260
2000
σε απλές φορητές συσκευές.
01:33
If you translate that to phone books,
35
93260
2000
Αν μεταφράσεις αυτό σε τηλεφωνικούς καταλόγους,
01:35
it's about one meter of phone books in the pile.
36
95260
3000
είναι περίπου μία στοίβα ενός μέτρου από τηλεφωνικούς καταλόγους.
01:38
Looking at what we're doing today
37
98260
2000
Κοιτώντας τι κάνουμε σήμερα
01:40
with these machines that we have,
38
100260
2000
με τα μηχανήματα που έχουμε σήμερα,
01:42
we can, just in a few seconds,
39
102260
2000
μπορούμε, μέσα σε λίγα δευτερόλεπτα,
01:44
get 24,000 images out of a body,
40
104260
2000
να πάρουμε 24.000 εικόνες από ένα σώμα.
01:46
and that would correspond to about 20 gigabytes of data,
41
106260
3000
Και αυτό θα αντιστοιχεί σε περίπου 20 GB δεδομένων,
01:49
or 800 phone books,
42
109260
2000
ή 800 τηλεφωνικούς καταλόγους.
01:51
and the pile would then be 200 meters of phone books.
43
111260
2000
Και η στοίβα θα είναι περίπου 200 μέτρα από τηλεφωνικούς καταλόγους.
01:53
What's about to happen --
44
113260
2000
Το τι πρόκειται να γίνει --
01:55
and we're seeing this; it's beginning --
45
115260
2000
και το βλέπουμε, είναι η αρχή --
01:57
a technology trend that's happening right now
46
117260
2000
μία τεχνολογική τάση η οποία συμβαίνει τώρα
01:59
is that we're starting to look at time-resolved situations as well.
47
119260
3000
είναι ότι ξεκινάμε επίσης να βλέπουμε αποτελέσματα σε σχέση με το χρόνο.
02:02
So we're getting the dynamics out of the body as well.
48
122260
3000
Άρα επίσης παίρνουμε και τη δυναμική του σώματος.
02:05
And just assume
49
125260
2000
Και ας υποθέσουμε
02:07
that we will be collecting data during five seconds,
50
127260
3000
ότι θα συλλέξουμε δεδομένα για πέντε δευτερόλεπτα,
02:10
and that would correspond to one terabyte of data --
51
130260
2000
και αυτό θα αντιστοιχεί σε ένα terabyte δεδομένων.
02:12
that's 800,000 books
52
132260
2000
Αυτό είναι 800.000 βιβλία
02:14
and 16 kilometers of phone books.
53
134260
2000
και 16 χιλιόμετρα από τηλεφωνικούς καταλόγους.
02:16
That's one patient, one data set.
54
136260
2000
Αυτό είναι για έναν ασθενή, ένα σύνολο δεδομένων.
02:18
And this is what we have to deal with.
55
138260
2000
Και αυτό είναι που πρέπει να επεξεργαστούμε.
02:20
So this is really the enormous challenge that we have.
56
140260
3000
Άρα αυτό είναι μια πραγματική πρόκληση που έχουμε
02:23
And already today -- this is 25,000 images.
57
143260
3000
Και ήδη σήμερα -- αυτό είναι 25.000 εικόνες.
02:26
Imagine the days
58
146260
2000
Φανταστείτε τις ημέρες
02:28
when we had radiologists doing this.
59
148260
2000
που είχαμε ακτινολόγους να το κάνουν αυτό.
02:30
They would put up 25,000 images,
60
150260
2000
Θα αναρτούσαν 25.000 εικόνες,
02:32
they would go like this, "25,0000, okay, okay.
61
152260
3000
θα έκαναν το εξής, "25.000, εντάξει, εντάξει.
02:35
There is the problem."
62
155260
2000
Υπάρχει ένα πρόβλημα."
02:37
They can't do that anymore. That's impossible.
63
157260
2000
Δεν μπορούν να το κάνουν αυτό πια, είναι αδύνατον.
02:39
So we have to do something that's a little bit more intelligent than doing this.
64
159260
3000
Άρα θα πρέπει να κάνουμε κάτι που είναι περισσότερο ευφυές από αυτό.
02:43
So what we do is that we put all these slices together.
65
163260
2000
Άρα αυτό που κάνουμε είναι να βάλουμε όλες αυτές τις φέτες μαζί.
02:45
Imagine that you slice your body in all these directions,
66
165260
3000
Φανταστείτε ότι τεμαχίζετε το σώμα σας σε όλες αυτές τις κατευθύνσεις,
02:48
and then you try to put the slices back together again
67
168260
3000
και μετά προσπαθείτε να βάλετε τις φέτες πάλι μαζί
02:51
into a pile of data, into a block of data.
68
171260
2000
σε μία στοίβα δεδομένων, σε μία δομή δεδομένων.
02:53
So this is really what we're doing.
69
173260
2000
Επομένως αυτό είναι τι πραγματικά κάνουμε.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
175260
3000
Άρα αυτό το gigabyte ή terabyte δεδομένων, το βάζουμε σε αυτή τη δομή.
02:58
But of course, the block of data
71
178260
2000
Αλλά φυσικά, η δομή δεδομένων
03:00
just contains the amount of X-ray
72
180260
2000
απλά περιέχει το σύνολο των ακτίνων Χ
03:02
that's been absorbed in each point in the human body.
73
182260
2000
που έχουν απορροφηθεί από το κάθε σημείο στο ανθρώπινο σώμα.
03:04
So what we need to do is to figure out a way
74
184260
2000
Άρα αυτό που πρέπει να κάνουμε είναι να βρούμε ένα τρόπο
03:06
of looking at the things we do want to look at
75
186260
3000
για να κοιτάμε τα πράγματα που θέλουμε να κοιτάξουμε
03:09
and make things transparent that we don't want to look at.
76
189260
3000
και να κάνουμε διαφανή τα πράγματα που δεν θέλουμε να κοιτάξουμε.
03:12
So transforming the data set
77
192260
2000
Άρα μετατρέποντας το σύνολο δεδομένων
03:14
into something that looks like this.
78
194260
2000
σε κάτι που μοιάζει σαν και αυτό.
03:16
And this is a challenge.
79
196260
2000
Και αυτό είναι μία πρόκληση.
03:18
This is a huge challenge for us to do that.
80
198260
3000
Είναι μία τεράστια πρόκληση για μας για να γίνει αυτό.
03:21
Using computers, even though they're getting faster and better all the time,
81
201260
3000
Χρησιμοποιώντας υπολογιστές, αν και τώρα γίνονται γρηγορότεροι και καλύτεροι,
03:24
it's a challenge to deal with gigabytes of data,
82
204260
2000
είναι πρόκληση η διαχείριση giagabyte δεδομένων,
03:26
terabytes of data
83
206260
2000
terabyte δεδομένων
03:28
and extracting the relevant information.
84
208260
2000
και η εξόρυξη της σχετικής πληροφορίας.
03:30
I want to look at the heart.
85
210260
2000
Θέλω να κοιτάξω την καρδιά,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
212260
2000
θέλω να κοιτάξω τα αιμοφόρα αγγεία, θέλω να κοιτάξω το συκώτι,
03:34
Maybe even find a tumor,
87
214260
2000
Ισως ακόμα να βρω έναν όγκο
03:36
in some cases.
88
216260
2000
σε κάποιες περιπτώσεις.
03:39
So this is where this little dear comes into play.
89
219260
2000
Έτσι εδώ είναι που μπαίνει στο παιχνίδι αυτή η μικρή αγαπητή.
03:41
This is my daughter.
90
221260
2000
Αυτή είναι η κόρη μου.
03:43
This is as of 9 a.m. this morning.
91
223260
2000
Αυτό είναι από τις 9:00 πμ αυτό το πρωί.
03:45
She's playing a computer game.
92
225260
2000
Παίζει ένα παιχνίδι στον υπολογιστή.
03:47
She's only two years old,
93
227260
2000
Είναι μόνο δύο χρονών,
03:49
and she's having a blast.
94
229260
2000
και περνάει καταπληκτικά.
03:51
So she's really the driving force
95
231260
3000
Άρα αυτή είναι η πραγματική ώθηση
03:54
behind the development of graphics-processing units.
96
234260
3000
πίσω από την ανάπτυξη επεξεργαστών γραφικών.
03:58
As long as kids are playing computer games,
97
238260
2000
Όσο τα παιδιά παίζουν παιχνίδια στον υπολογιστή,
04:00
graphics is getting better and better and better.
98
240260
2000
τα γραφικά γίνονται όλο και καλύτερα.
04:02
So please go back home, tell your kids to play more games,
99
242260
2000
Άρα παρακαλώ πηγαίνετε πίσω στο σπίτι, πείτε τα παιδιά σας να παίζουν περισσότερα παιχνίδια,
04:04
because that's what I need.
100
244260
2000
γιατί αυτό είναι αυτό που χρειάζομαι.
04:06
So what's inside of this machine
101
246260
2000
Άρα αυτό που είναι μέσα σε αυτή τη μηχανή
04:08
is what enables me to do the things that I'm doing
102
248260
2000
είναι αυτό που με δίνει την δυνατότητα να κάνω τα πράματα που κάνω
04:10
with the medical data.
103
250260
2000
με τα ιατρικά δεδομένα.
04:12
So really what I'm doing is using these fantastic little devices.
104
252260
3000
Άρα πραγματικά αυτό που κάνω είναι να χρησιμοποιώ αυτές τις φανταστικές μικρές συσκευές.
04:15
And you know, going back
105
255260
2000
Και ξέρετε, πηγαίνοντας πίσω
04:17
maybe 10 years in time
106
257260
2000
ίσως 10 χρόνια
04:19
when I got the funding
107
259260
2000
όταν πήρα την χρηματοδότηση
04:21
to buy my first graphics computer --
108
261260
2000
για να αγοράσω τον πρώτο μου υπολογιστή γραφικών.
04:23
it was a huge machine.
109
263260
2000
Ήταν ένα τεράστιο μηχάνημα.
04:25
It was cabinets of processors and storage and everything.
110
265260
3000
Ήταν ντουλάπια από επεξεργαστές και μνήμη και τα πάντα.
04:28
I paid about one million dollars for that machine.
111
268260
3000
Πλήρωσα περίπου ένα εκατομμύριο δολάρια για εκείνο το μηχάνημα.
04:32
That machine is, today, about as fast as my iPhone.
112
272260
3000
Εκείνο το μηχάνημα, σήμερα, είναι περίπου τόσο γρήγορο όσο το iPhone μου.
04:37
So every month there are new graphics cards coming out,
113
277260
2000
Άρα κάθε μήνα βγαίνουν νέες κάρτες γραφικών.
04:39
and here is a few of the latest ones from the vendors --
114
279260
3000
Και εδώ είναι μερικές από τις τελευταίες από τους κατασκευαστές --
04:42
NVIDIA, ATI, Intel is out there as well.
115
282260
3000
NVIDIA, ATI, Intel κυκλοφορούν επίσης.
04:45
And you know, for a few hundred bucks
116
285260
2000
Και ξέρετε, με μερικά εκατοντάδες δολάρια
04:47
you can get these things and put them into your computer,
117
287260
2000
μπορείτε να πάρετε αυτά τα πράγματα και να τα βάλετε στον υπολογιστή σας,
04:49
and you can do fantastic things with these graphics cards.
118
289260
3000
και μπορείτε να κάνετε φανταστικά πράγματα με αυτές τις κάρτες γραφικών.
04:52
So this is really what's enabling us
119
292260
2000
Άρα αυτό είναι αυτό που πραγματικά μας δίνει την δυνατότητα
04:54
to deal with the explosion of data in medicine,
120
294260
3000
να αντιμετωπίσουμε την έκρηξη των δεδομένων στην ιατρική,
04:57
together with some really nifty work
121
297260
2000
μαζί με κάποια καλή δουλειά
04:59
in terms of algorithms --
122
299260
2000
από την άποψη αλγορίθμων --
05:01
compressing data,
123
301260
2000
συμπίεση δεδομένων,
05:03
extracting the relevant information that people are doing research on.
124
303260
3000
εξαγωγή της σχετικής πληροφορίας που οι άνθρωποι κάνουν έρευνα.
05:06
So I'm going to show you a few examples of what we can do.
125
306260
3000
Λοιπόν θα σας δείξω μερικά παραδείγματα για το τι μπορούμε να κάνουμε.
05:09
This is a data set that was captured using a CT scanner.
126
309260
3000
Αυτό είναι μία δομή δεδομένων που πήραμε χρησιμοποιώντας έναν αξονικό τομογράφο.
05:12
You can see that this is a full data [set].
127
312260
3000
Μπορείτε να δείτε ότι πρόκειται για πλήρη δεδομένα.
05:15
It's a woman. You can see the hair.
128
315260
3000
Είναι μία γυναίκα. Μπορείτε να δείτε τα μαλλιά.
05:18
You can see the individual structures of the woman.
129
318260
3000
Μπορείτε να δείτε τις μεμονωμένες δομές της γυναίκας.
05:21
You can see that there is [a] scattering of X-rays
130
321260
3000
Μπορείτε να δείτε μία διασκόρπιση ακτίνων Χ
05:24
on the teeth, the metal in the teeth.
131
324260
2000
στα δόντια, το μέταλλο μέσα στα δόντια.
05:26
That's where those artifacts are coming from.
132
326260
3000
Από εκεί προέρχονται αυτά τα τεχνουργήματα.
05:29
But fully interactively
133
329260
2000
Αλλά πλήρως διαδραστικά
05:31
on standard graphics cards on a normal computer,
134
331260
3000
με μία τυπική κάρτα γραφικών σε έναν απλό υπολογιστή,
05:34
I can just put in a clip plane.
135
334260
2000
μπορώ απλά να βάλω μία επιφάνεια.
05:36
And of course all the data is inside,
136
336260
2000
Και φυσικά όλα τα δεδομένα είναι μέσα,
05:38
so I can start rotating, I can look at it from different angles,
137
338260
3000
άρα μπορώ να ξεκινήσω να περιστρέφω, μπορώ να το δω από διαφορετικές γωνίες,
05:41
and I can see that this woman had a problem.
138
341260
3000
και μπορώ να δω ότι αυτή η γυναίκα είχε ένα πρόβλημα.
05:44
She had a bleeding up in the brain,
139
344260
2000
Έχει μία αιμορραγία στον εγκέφαλο,
05:46
and that's been fixed with a little stent,
140
346260
2000
και φτιάχτηκε με ένα μικρό ράμμα,
05:48
a metal clamp that's tightening up the vessel.
141
348260
2000
ένας μεταλλικός σφιγκτήρας που σφίγγει το αγγείο.
05:50
And just by changing the functions,
142
350260
2000
Και απλά αλλάζοντας τις συναρτήσεις,
05:52
then I can decide what's going to be transparent
143
352260
3000
μετά μπορώ να αποφασίσω τι θα είναι διαφανές
05:55
and what's going to be visible.
144
355260
2000
και το τι θα είναι ορατό.
05:57
I can look at the skull structure,
145
357260
2000
Μπορώ να κοιτάξω τη δομή του κρανίου,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
359260
3000
και μπορώ να δω ότι, εντάξει, εδώ είναι εκεί που άνοιξαν το κρανίο της γυναίκας,
06:02
and that's where they went in.
147
362260
2000
και εδώ είναι από που μπήκαν μέσα.
06:04
So these are fantastic images.
148
364260
2000
Άρα αυτές είναι φανταστικές εικόνες.
06:06
They're really high resolution,
149
366260
2000
Είναι πραγματικά υψηλής ανάλυσης,
06:08
and they're really showing us what we can do
150
368260
2000
και πραγματικά μας δείχνουν τι μπορούμε να κάνουμε
06:10
with standard graphics cards today.
151
370260
3000
με τυπικές κάρτες γραφικών σήμερα.
06:13
Now we have really made use of this,
152
373260
2000
Πραγματικά τώρα έχουμε κάνει χρήση αυτών,
06:15
and we have tried to squeeze a lot of data
153
375260
3000
και προσπαθήσαμε να στριμώξουμε πολλά δεδομένα
06:18
into the system.
154
378260
2000
στο σύστημα.
06:20
And one of the applications that we've been working on --
155
380260
2000
Και μία από τις εφαρμογές που δουλεύουμε --
06:22
and this has gotten a little bit of traction worldwide --
156
382260
3000
και αυτό έχει κερδίσει κάποια αποδοχή παγκοσμίως --
06:25
is the application of virtual autopsies.
157
385260
2000
είναι η εφαρμογή των εικονικών αυτοψιών.
06:27
So again, looking at very, very large data sets,
158
387260
2000
Έτσι πάλι, κοιτώντας σε πολύ, πολύ μεγάλα σύνολα δεδομένων,
06:29
and you saw those full-body scans that we can do.
159
389260
3000
και είδατε τις σαρώσεις πλήρως σώματος που μπορούμε να κάνουμε.
06:32
We're just pushing the body through the whole CT scanner,
160
392260
3000
Απλά περνάμε όλο το σώμα μέσα από τον σαρωτή ΥΤ,
06:35
and just in a few seconds we can get a full-body data set.
161
395260
3000
και μέσα σε λίγα δευτερόλεπτα μπορούμε να πάρουμε ένα σύνολο δεδομένων για ένα πλήρες σώμα.
06:38
So this is from a virtual autopsy.
162
398260
2000
Λοιπόν αυτό είναι από μία εικονική αυτοψία.
06:40
And you can see how I'm gradually peeling off.
163
400260
2000
Και μπορείτε να δείτε ότι ξεφλουδίζω σταδιακά.
06:42
First you saw the body bag that the body came in,
164
402260
3000
Πρώτα βλέπετε τον σάκο μέσα στον οποίο ήρθε το σώμα,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
405260
3000
μετά ξεφλουδίζω το δέρμα -- μπορείτε να δείτε τους μυείς --
06:48
and eventually you can see the bone structure of this woman.
166
408260
3000
και τελικά μπορείτε να δείτε τη δομή των οστών της γυναίκας.
06:51
Now at this point, I would also like to emphasize
167
411260
3000
Τώρα σε αυτό το σημείο, θα ήθελα να τονίσω
06:54
that, with the greatest respect
168
414260
2000
ότι, με το μεγαλύτερο σεβασμό
06:56
for the people that I'm now going to show --
169
416260
2000
για τους ανθρώπους που θα σας δείξω τώρα --
06:58
I'm going to show you a few cases of virtual autopsies --
170
418260
2000
θα σας δείξω μερικές περιπτώσεις εικονικών αυτοψιών --
07:00
so it's with great respect for the people
171
420260
2000
άρα είναι με μεγάλο σεβασμό για τους ανθρώπους
07:02
that have died under violent circumstances
172
422260
2000
που πέθαναν κάτω από βίαιες συνθήκες
07:04
that I'm showing these pictures to you.
173
424260
3000
που σας δείχνω τις εικόνες.
07:08
In the forensic case --
174
428260
2000
Στην εγκληματολογική υπόθεση --
07:10
and this is something
175
430260
2000
και αυτό είναι κάτι
07:12
that ... there's been approximately 400 cases so far
176
432260
2000
που υπάρχουν περίπου 400 υποθέσεις μέχρι τώρα
07:14
just in the part of Sweden that I come from
177
434260
2000
μόνο από το μέρος της Σουηδίας από όπου προέρχομαι
07:16
that has been undergoing virtual autopsies
178
436260
2000
που γίνονται εικονικές αυτοψίες
07:18
in the past four years.
179
438260
2000
τα τελευταία τέσσερα χρόνια.
07:20
So this will be the typical workflow situation.
180
440260
3000
Άρα αυτό είναι μία τυπική περίπτωση ροής εργασίας.
07:23
The police will decide --
181
443260
2000
Η αστυνομία θα αποφασίσει --
07:25
in the evening, when there's a case coming in --
182
445260
2000
το απόγευμα, όταν έρχεται μία υπόθεση --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
447260
3000
θα αποφασίσουν, εντάξει, αν είναι μία υπόθεση που χρειάζεται να κάνουμε αυτοψία.
07:30
So in the morning, in between six and seven in the morning,
184
450260
3000
Έτσι το πρωί, μεταξύ έξι και επτά το πρωί,
07:33
the body is then transported inside of the body bag
185
453260
2000
το σώμα μεταφέρεται μέσα στο σάκο
07:35
to our center
186
455260
2000
στο κέντρο μας
07:37
and is being scanned through one of the CT scanners.
187
457260
2000
και σαρώνεται με έναν από τους αξονικούς τομογράφους.
07:39
And then the radiologist, together with the pathologist
188
459260
2000
Και μετά ο ακτινολόγος, μαζί με τον παθολόγο
07:41
and sometimes the forensic scientist,
189
461260
2000
και μερικές φορές με τον εγκληματολόγο,
07:43
looks at the data that's coming out,
190
463260
2000
εξετάζουν τα δεδομένα που εξάγονται,
07:45
and they have a joint session.
191
465260
2000
και κάνουν μία σύσκεψη.
07:47
And then they decide what to do in the real physical autopsy after that.
192
467260
3000
Και αποφασίζουν τι θα κάνουν μετά, στην πραγματική αυτοψία.
07:52
Now looking at a few cases,
193
472260
2000
Τώρα κοιτώντας σε μερικές υποθέσεις,
07:54
here's one of the first cases that we had.
194
474260
2000
εδώ είναι μία από τις πρώτες υποθέσεις που είχαμε.
07:56
You can really see the details of the data set.
195
476260
3000
Πραγματικά μπορείτε να δείτε τις λεπτομέρειες του συνόλου δεδομένων
07:59
It's very high-resolution,
196
479260
2000
είναι πολύ υψηλής ανάλυσης.
08:01
and it's our algorithms that allow us
197
481260
2000
Και είναι οι αλγόριθμοι μας που μας επιτρέπουν
08:03
to zoom in on all the details.
198
483260
2000
να μεγεθύνουμε όλες τις λεπτομέρειες.
08:05
And again, it's fully interactive,
199
485260
2000
Και ξανά, είναι πλήρως διαδραστικό.
08:07
so you can rotate and you can look at things in real time
200
487260
2000
άρα μπορείς να περιστρέψεις και να κοιτάξεις πράματα σε πραγματικό χρόνο
08:09
on these systems here.
201
489260
2000
με αυτά τα συστήματα.
08:11
Without saying too much about this case,
202
491260
2000
Χωρίς να πω πολλά για αυτή την υπόθεση,
08:13
this is a traffic accident,
203
493260
2000
αυτό είναι ένα τροχαίο ατύχημα,
08:15
a drunk driver hit a woman.
204
495260
2000
ένας μεθυσμένος οδηγός χτύπησε μία γυναίκα.
08:17
And it's very, very easy to see the damages on the bone structure.
205
497260
3000
Είναι πολύ, πολύ εύκολο να δούμε τις ζημίες στα κόκαλα.
08:20
And the cause of death is the broken neck.
206
500260
3000
Και ο λόγος θανάτου είναι σπασμένος λαιμός.
08:23
And this women also ended up under the car,
207
503260
2000
Και επίσης αυτή η γυναίκα κατέληξε κάτω από το αυτοκίνητο,
08:25
so she's quite badly beaten up
208
505260
2000
άρα είναι αρκετά άσχημα χτυπημένη
08:27
by this injury.
209
507260
2000
από αυτό το χτύπημα.
08:29
Here's another case, a knifing.
210
509260
3000
Εδώ είναι μία άλλη υπόθεση, ένα μαχαίρωμα.
08:32
And this is also again showing us what we can do.
211
512260
2000
Και αυτό πάλι μας δείχνει τι μπορούμε να κάνουμε.
08:34
It's very easy to look at metal artifacts
212
514260
2000
Είναι πολύ εύκολο να κοιτάξουμε σε μεταλλικά τεχνουργήματα
08:36
that we can show inside of the body.
213
516260
3000
που μπορούμε να δούμε μέσα στο σώμα.
08:39
You can also see some of the artifacts from the teeth --
214
519260
3000
Επίσης μπορείτε να δείτε μερικά από τα τεχνουργήματα από τα δόντια --
08:42
that's actually the filling of the teeth --
215
522260
2000
που στην πραγματικότητα είναι τα σφραγίσματα στα δόντια --
08:44
but because I've set the functions to show me metal
216
524260
3000
αλλά επειδή το έθεσα σε λειτουργία να δείχνει τα μέταλλα
08:47
and make everything else transparent.
217
527260
2000
και να κάνει όλα τα υπόλοιπα διαφανή
08:49
Here's another violent case. This really didn't kill the person.
218
529260
3000
Εδώ είναι μία ακόμα βίαιη υπόθεση. Αυτό δεν σκότωσε το άτομο.
08:52
The person was killed by stabs in the heart,
219
532260
2000
Το άτομο σκοτώθηκε από μαχαιριές στην καρδιά,
08:54
but they just deposited the knife
220
534260
2000
απλά έβαλαν το μαχαίρι
08:56
by putting it through one of the eyeballs.
221
536260
2000
διαμέσου από ένα από τα μάτια.
08:58
Here's another case.
222
538260
2000
Εδώ είναι μία άλλη υπόθεση.
09:00
It's very interesting for us
223
540260
2000
Είναι πολύ ενδιαφέρον για μας
09:02
to be able to look at things like knife stabbings.
224
542260
2000
να μπορούμε να κοιτάμε πράματα όπως μαχαιρώματα.
09:04
Here you can see that knife went through the heart.
225
544260
3000
Εδώ μπορείτε να δείτε ότι το μαχαίρι διαπέρασε την καρδιά.
09:07
It's very easy to see how air has been leaking
226
547260
2000
Είναι πολύ εύκολο να δείτε πως διαρρέει αέρας
09:09
from one part to another part,
227
549260
2000
από το ένα μέρος στο άλλο,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
551260
3000
που είναι δύσκολο να γίνει σε μία κανονική, τυπική, φυσική αυτοψία.
09:14
So it really, really helps
229
554260
2000
Γι΄ αυτό πραγματικά βοηθάει
09:16
the criminal investigation
230
556260
2000
την ποινική έρευνα
09:18
to establish the cause of death,
231
558260
2000
να διαπιστωθεί η αιτία θανάτου,
09:20
and in some cases also directing the investigation in the right direction
232
560260
3000
και σε μερικές υποθέσεις επίσης κατευθύνει την έρευνα στην σωστή κατεύθυνση
09:23
to find out who the killer really was.
233
563260
2000
για να βρει ποιος ήταν πραγματικά ο δολοφόνος.
09:25
Here's another case that I think is interesting.
234
565260
2000
Εδώ είναι μία άλλη υπόθεση που πιστεύω είναι ενδιαφέρουσα
09:27
Here you can see a bullet
235
567260
2000
Εδώ μπορείτε να δείτε μία σφαίρα
09:29
that has lodged just next to the spine on this person.
236
569260
3000
που σφήνωσε ακριβώς δίπλα από την σπονδυλική στήλη αυτού του ατόμου.
09:32
And what we've done is that we've turned the bullet into a light source,
237
572260
3000
Και αυτό που κάναμε είναι να μετατρέψουμε την σφαίρα σε πηγή φωτός,
09:35
so that bullet is actually shining,
238
575260
2000
ώστε η σφαίρα στην πραγματικότητα λάμπει,
09:37
and it makes it really easy to find these fragments.
239
577260
3000
και το κάνει πραγματικά εύκολο να βρεις αυτά τα θραύσματα.
09:40
During a physical autopsy,
240
580260
2000
Κατά την διάρκεια μιας φυσικής αυτοψίας,
09:42
if you actually have to dig through the body to find these fragments,
241
582260
2000
αν πραγματικά χρειαστεί να σκάψεις μέσα στο σώμα για να βρεις αυτά τα θραύσματα,
09:44
that's actually quite hard to do.
242
584260
2000
αυτό είναι κάτι πραγματικά δύσκολο για να το κάνεις.
09:48
One of the things that I'm really, really happy
243
588260
2000
Ένα από τα πράματα για τα οποία είμαι πραγματικά χαρούμενος
09:50
to be able to show you here today
244
590260
3000
είναι ότι μπορώ να σας δείξω σήμερα
09:53
is our virtual autopsy table.
245
593260
2000
το εικονικό μας τραπέζι αυτοψίας.
09:55
It's a touch device that we have developed
246
595260
2000
Είναι μία συσκευή αφής που αναπτύξαμε
09:57
based on these algorithms, using standard graphics GPUs.
247
597260
3000
βασιζόμενοι σε αυτούς τους αλγορίθμους, χρησιμοποιώντας τυπικούς επεξεργαστές γραφικών.
10:00
It actually looks like this,
248
600260
2000
Μοιάζει πραγματικά σαν και αυτό,
10:02
just to give you a feeling for what it looks like.
249
602260
3000
απλά για να σας δώσω μία αίσθηση για το πως μοιάζει.
10:05
It really just works like a huge iPhone.
250
605260
3000
Πραγματικά απλά δουλεύει σαν ένα μεγάλο iPhone.
10:08
So we've implemented
251
608260
2000
Έτσι έχουμε υλοποιήσει
10:10
all the gestures you can do on the table,
252
610260
3000
όλες τις χειρονομίες που μπορείς να κάνεις πάνω στο τραπέζι,
10:13
and you can think of it as an enormous touch interface.
253
613260
4000
και μπορείς να το σκεφτείς σαν μία τεράστια διεπαφή αφής.
10:17
So if you were thinking of buying an iPad,
254
617260
2000
Άρα άμα σκέφτεστε να αγοράσετε ένα iPad,
10:19
forget about it. This is what you want instead.
255
619260
3000
ξεχάστε το, αυτό είναι αυτό που θέλετε αντί για εκείνο.
10:22
Steve, I hope you're listening to this, all right.
256
622260
3000
Στιβ, ελπίζω να το ακούς αυτό, ωραία.
10:26
So it's a very nice little device.
257
626260
2000
Επομένως είναι μία πολύ καλή μικρή συσκευή.
10:28
So if you have the opportunity, please try it out.
258
628260
2000
Άρα άμα έχετε την ευκαιρία, παρακαλώ δοκιμάστε το.
10:30
It's really a hands-on experience.
259
630260
3000
Είναι μία ενεργή εμπειρία.
10:33
So it gained some traction, and we're trying to roll this out
260
633260
3000
Έτσι έχει κερδίσει κάποια αποδοχή, και προσπαθούμε να το προωθήσουμε
10:36
and trying to use it for educational purposes,
261
636260
2000
και προσπαθούμε να το χρησιμοποιήσουμε για εκπαιδευτικούς σκοπούς,
10:38
but also, perhaps in the future,
262
638260
2000
αλλά επίσης, ίσως στο μέλλον,
10:40
in a more clinical situation.
263
640260
3000
σε περισσότερο κλινικές καταστάσεις.
10:43
There's a YouTube video that you can download and look at this,
264
643260
2000
Υπάρχει ένα YouTube βίντεο που μπορείτε να κατεβάσετε και να δείτε,
10:45
if you want to convey the information to other people
265
645260
2000
αν θέλετε να μεταφέρετε την πληροφορία σε άλλα άτομα
10:47
about virtual autopsies.
266
647260
3000
για εικονικές αυτοψίες.
10:50
Okay, now that we're talking about touch,
267
650260
2000
Εντάξει, τώρα που μιλάμε για αφή,
10:52
let me move on to really "touching" data.
268
652260
2000
επιτρέψτε μου να προχωρήσω στην πραγματική αφή των δεδομένων.
10:54
And this is a bit of science fiction now,
269
654260
2000
Και αυτό τώρα είναι λίγο επιστημονική φαντασία,
10:56
so we're moving into really the future.
270
656260
3000
άρα πραγματικά προχωράμε στο μέλλον.
10:59
This is not really what the medical doctors are using right now,
271
659260
3000
Αυτό δεν είναι στην πραγματικότητα αυτό που χρησιμοποιούν οι γιατροί τώρα,
11:02
but I hope they will in the future.
272
662260
2000
και ελπίζω ότι θα το κάνουν στο μέλλον.
11:04
So what you're seeing on the left is a touch device.
273
664260
3000
Λοιπόν αυτό που βλέπετε στα αριστερά της συσκευής αφής
11:07
It's a little mechanical pen
274
667260
2000
είναι ένα μικρό μηχανικό στυλό
11:09
that has very, very fast step motors inside of the pen.
275
669260
3000
που μέσα στο στυλό έχει πολύ, πολύ γρήγορους βηματικούς κινητήρες.
11:12
And so I can generate a force feedback.
276
672260
2000
Και έτσι μπορώ να παράγω μία δύναμη ανάδρασης.
11:14
So when I virtually touch data,
277
674260
2000
Άρα όταν εικονικά αγγίζω δεδομένα,
11:16
it will generate forces in the pen, so I get a feedback.
278
676260
3000
θα παράγει δυνάμεις αφής στο στυλό, ώστε να πάρω μία ανάδραση.
11:19
So in this particular situation,
279
679260
2000
Επομένως στην συγκεκριμένη περίπτωση,
11:21
it's a scan of a living person.
280
681260
2000
είναι μία σάρωση ενός ζωντανού ανθρώπου.
11:23
I have this pen, and I look at the data,
281
683260
3000
Έχω αυτό το στυλό και κοιτάω τα δεδομένα,
11:26
and I move the pen towards the head,
282
686260
2000
και κινώ το στυλό προς το κεφάλι,
11:28
and all of a sudden I feel resistance.
283
688260
2000
και ξαφνικά νοιώθω αντίσταση.
11:30
So I can feel the skin.
284
690260
2000
Άρα μπορώ να νιώσω το δέρμα.
11:32
If I push a little bit harder, I'll go through the skin,
285
692260
2000
Αν σπρώξω λίγο παραπάνω, θα διαπεράσω το δέρμα,
11:34
and I can feel the bone structure inside.
286
694260
3000
και μπορώ να νιώσω το κόκκαλο μέσα.
11:37
If I push even harder, I'll go through the bone structure,
287
697260
2000
Αν πιέσω ακόμα παραπάνω, θα διαπεράσω το κόκκαλο,
11:39
especially close to the ear where the bone is very soft.
288
699260
3000
ειδικά κοντά στο αυτί όπου το κόκκαλο είναι πολύ μαλακό.
11:42
And then I can feel the brain inside, and this will be the slushy like this.
289
702260
3000
Και μπορώ να νιώσω τον εγκέφαλο μέσα, και θα είναι λασπώδεις σαν αυτό.
11:45
So this is really nice.
290
705260
2000
Επομένως αυτό είναι πραγματικά ωραίο.
11:47
And to take that even further, this is a heart.
291
707260
3000
Και για να το πάω αυτό παραπέρα, αυτή είναι μία καρδιά.
11:50
And this is also due to these fantastic new scanners,
292
710260
3000
Και αυτό είναι επίσης λόγο αυτών των φανταστικών νέων σαρωτών,
11:53
that just in 0.3 seconds,
293
713260
2000
που μόλις σε 0,3 δευτερόλεπτα,
11:55
I can scan the whole heart,
294
715260
2000
μπορώ να σαρώσω ολόκληρη την καρδιά
11:57
and I can do that with time resolution.
295
717260
2000
και μπορώ να το κάνω αυτό με ανάλυση χρόνου.
11:59
So just looking at this heart,
296
719260
2000
Επομένως απλά κοιτώντας αυτή την καρδιά,
12:01
I can play back a video here.
297
721260
2000
Μπορώ να αναπαράγω ένα βίντεο εδώ.
12:03
And this is Karljohan, one of my graduate students
298
723260
2000
Και αυτός είναι ο Καρλτζοχαν, ένας από τους μεταπτυχιακούς φοιτητές μου
12:05
who's been working on this project.
299
725260
2000
ο οποίος δουλεύει σε αυτό το πρόγραμμα.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
727260
3000
Και κάθεται εκεί μπροστά στην συσκευή Haptic, το σύστημα δυναμικής ανάδρασης,
12:10
and he's moving his pen towards the heart,
301
730260
3000
και κινεί το στυλό του προς την καρδιά,
12:13
and the heart is now beating in front of him,
302
733260
2000
και η καρδιά τώρα χτυπάει μπροστά του,
12:15
so he can see how the heart is beating.
303
735260
2000
επομένως, μπορεί να δει πως η καρδιά χτυπάει.
12:17
He's taken the pen, and he's moving it towards the heart,
304
737260
2000
Πήρε το στυλό και το κινεί προς την καρδιά,
12:19
and he's putting it on the heart,
305
739260
2000
και το πιέζει πάνω στην καρδιά,
12:21
and then he feels the heartbeats from the real living patient.
306
741260
3000
και μετά νοιώθει τους καρδιακούς παλμούς από τον ζωντανό ασθενή.
12:24
Then he can examine how the heart is moving.
307
744260
2000
Μετά μπορεί να εξετάσει πως η καρδιά κουνιέται.
12:26
He can go inside, push inside of the heart,
308
746260
2000
Μπορεί να πάει μέσα, να σπρώξει μέσα στην καρδιά,
12:28
and really feel how the valves are moving.
309
748260
3000
και πραγματικά να νιώσει πως κινούνται οι βαλβίδες.
12:31
And this, I think, is really the future for heart surgeons.
310
751260
3000
Και αυτό, πιστεύω, είναι πραγματικά το μέλλον για τους καρδιοχειρουργούς.
12:34
I mean it's probably the wet dream for a heart surgeon
311
754260
3000
Νομίζω ότι μάλλον είναι η ονείρωξη για έναν καρδιοχειρουργό
12:37
to be able to go inside of the patient's heart
312
757260
3000
το να μπορεί να μπει μέσα στην καρδιά του ασθενή του
12:40
before you actually do surgery,
313
760260
2000
πριν κάνει στην πραγματικότητα εγχείρηση,
12:42
and do that with high-quality resolution data.
314
762260
2000
και να το κάνει αυτό με υψηλής ποιότητας και ανάλυσης δεδομένα.
12:44
So this is really neat.
315
764260
2000
Επομένως, αυτό είναι πραγματικά φανταστικό.
12:47
Now we're going even further into science fiction.
316
767260
3000
Τώρα προχωράμε ακόμα παραπέρα στην επιστημονική φαντασία.
12:50
And we heard a little bit about functional MRI.
317
770260
3000
Και έχουμε ακούσει λίγα για την μαγνητική τομογραφία.
12:53
Now this is really an interesting project.
318
773260
3000
Τώρα, αυτό είναι πραγματικά ένα ενδιαφέρον πρόγραμμα.
12:56
MRI is using magnetic fields
319
776260
2000
Η μαγνητική τομογραφία χρησιμοποιεί μαγνητικά πεδία
12:58
and radio frequencies
320
778260
2000
και ραδιοσυχνότητες
13:00
to scan the brain, or any part of the body.
321
780260
3000
για να σαρώσει τον εγκέφαλο, ή οποιοδήποτε άλλο μέρος του σώματος.
13:03
So what we're really getting out of this
322
783260
2000
Άρα αυτό που στην πραγματικότητα παίρνουμε από αυτό
13:05
is information of the structure of the brain,
323
785260
2000
είναι πληροφορία για την δομή του εγκεφάλου,
13:07
but we can also measure the difference
324
787260
2000
αλλά μπορούμε επίσης να μετρήσουμε την διαφορά
13:09
in magnetic properties of blood that's oxygenated
325
789260
3000
στις μαγνητικές ιδιότητες του αίματος που οξυγονώνεται
13:12
and blood that's depleted of oxygen.
326
792260
3000
και αίματος που δεν έχει οξυγόνο.
13:15
That means that it's possible
327
795260
2000
Αυτό σημαίνει πως είναι δυνατόν
13:17
to map out the activity of the brain.
328
797260
2000
να χαρτογραφήσουμε την δραστηριότητα του εγκεφάλου.
13:19
So this is something that we've been working on.
329
799260
2000
Άρα αυτό είναι κάτι πάνω στο οποίο δουλέψαμε.
13:21
And you just saw Motts the research engineer, there,
330
801260
3000
Και μόλις είδατε τον Μοτς τον ερευνητή εκεί
13:24
going into the MRI system,
331
804260
2000
να μπαίνει μέσα στο σύστημα μαγνητικής τομογραφίας,
13:26
and he was wearing goggles.
332
806260
2000
φορώντας γυαλιά
13:28
So he could actually see things in the goggles.
333
808260
2000
Επομένως μπορούσε να δει πράγματα μέσα στα γυαλιά.
13:30
So I could present things to him while he's in the scanner.
334
810260
3000
Άρα μπορώ να του παρουσιάσω πράματα όσο είναι μέσα στον σαρωτή.
13:33
And this is a little bit freaky,
335
813260
2000
Και αυτό είναι λίγο παράξενο,
13:35
because what Motts is seeing is actually this.
336
815260
2000
γιατί αυτό που βλέπει ο Μοτς στην πραγματικότητα είναι αυτό.
13:37
He's seeing his own brain.
337
817260
3000
Βλέπει τον ίδιο του τον εγκέφαλο.
13:40
So Motts is doing something here,
338
820260
2000
Άρα ο Μοτς κάνει κάτι εκεί.
13:42
and probably he is going like this with his right hand,
339
822260
2000
Και ίσως κάνει αυτό με το δεξί του χέρι,
13:44
because the left side is activated
340
824260
2000
επειδή η αριστερή μεριά είναι ενεργοποιημένη
13:46
on the motor cortex.
341
826260
2000
στον κινητικό φλοιό.
13:48
And then he can see that at the same time.
342
828260
2000
Και έπειτα μπορεί να το δει αυτό την ίδια στιγμή.
13:50
These visualizations are brand new.
343
830260
2000
Αυτές οι απεικονίσεις είναι ολοκαίνουριες.
13:52
And this is something that we've been researching for a little while.
344
832260
3000
Και αυτό είναι κάτι που ερευνούσαμε για λίγο καιρό.
13:55
This is another sequence of Motts' brain.
345
835260
3000
Αυτή είναι μία άλλη ακολουθία του εγκεφάλου του Ματς.
13:58
And here we asked Motts to calculate backwards from 100.
346
838260
3000
Και εδώ ζητήσαμε από τον Ματς να υπολογίσει προς τα πίσω από το 100.
14:01
So he's going "100, 97, 94."
347
841260
2000
Άρα πάει "100, 97, 94."
14:03
And then he's going backwards.
348
843260
2000
Και έπειτα πηγαίνει προς τα πίσω.
14:05
And you can see how the little math processor is working up here in his brain
349
845260
3000
Και μπορείτε να δείτε τον μικρό επεξεργαστή μαθηματικών να δουλεύει εδώ μέσα στον εγκέφαλό του
14:08
and is lighting up the whole brain.
350
848260
2000
και ανάβει ολόκληρο τον εγκέφαλο.
14:10
Well this is fantastic. We can do this in real time.
351
850260
2000
Λοιπόν αυτό είναι φανταστικό. Μπορούμε να το κάνουμε σε πραγματικό χρόνο.
14:12
We can investigate things. We can tell him to do things.
352
852260
2000
Μπορούμε να ερευνήσουμε πράματα. Μπορούμε να το πούμε να κάνει πράγματα.
14:14
You can also see that his visual cortex
353
854260
2000
Μπορείτε επίσης να δείτε ότι ο οπτικός φλοιός
14:16
is activated in the back of the head,
354
856260
2000
είναι ενεργοποιημένος στο πίσω του κεφαλιού,
14:18
because that's where he's seeing, he's seeing his own brain.
355
858260
2000
επειδή εκεί είναι που βλέπει, βλέπει τον ίδιο του τον εγκέφαλο.
14:20
And he's also hearing our instructions
356
860260
2000
Και επίσης ακούει τις οδηγίες μας
14:22
when we tell him to do things.
357
862260
2000
όταν του λέμε να κάνει πράγματα.
14:24
The signal is really deep inside of the brain as well,
358
864260
2000
Επίσης το σήμα είναι πραγματικά βαθιά μέσα στον εγκέφαλο,
14:26
and it's shining through,
359
866260
2000
αλλά λάμπει από μέσα,
14:28
because all of the data is inside this volume.
360
868260
2000
γιατί όλα τα δεδομένα είναι μέσα σε αυτό το χώρο.
14:30
And in just a second here you will see --
361
870260
2000
Και σε ένα δευτερόλεπτο εδώ θα δείτε --
14:32
okay, here. Motts, now move your left foot.
362
872260
2000
Ωραία, εδώ. Μοτς, τώρα κούνα το αριστερό σου πόδι.
14:34
So he's going like this.
363
874260
2000
Άρα κάνει κάπως έτσι.
14:36
For 20 seconds he's going like that,
364
876260
2000
Και για 20 δευτερόλεπτα κάνει κάπως έτσι,
14:38
and all of a sudden it lights up up here.
365
878260
2000
και ξαφνικά ανάβει εδώ.
14:40
So we've got motor cortex activation up there.
366
880260
2000
Άρα έχουμε ενεργοποίηση του κινητικού φλοιού εδώ.
14:42
So this is really, really nice,
367
882260
2000
Άρα αυτό είναι πραγματικά, πραγματικά καλό.
14:44
and I think this is a great tool.
368
884260
2000
Και πιστεύω ότι είναι ένα καταπληκτικό εργαλείο.
14:46
And connecting also with the previous talk here,
369
886260
2000
Και επίσης συνδέοντας την προηγούμενη ομιλία,
14:48
this is something that we could use as a tool
370
888260
2000
αυτό είναι κάτι που θα μπορούσαμε να το χρησιμοποιήσουμε σαν εργαλείο
14:50
to really understand
371
890260
2000
να καταλάβουμε πραγματικά
14:52
how the neurons are working, how the brain is working,
372
892260
2000
πως δουλεύουν οι νευρώνες, πως δουλεύει ο εγκέφαλος,
14:54
and we can do this with very, very high visual quality
373
894260
3000
και μπορούμε να το κάνουμε αυτό με πολύ, πολύ μεγάλη οπτική ποιότητα
14:57
and very fast resolution.
374
897260
3000
και πολύ γρήγορη ανάλυση.
15:00
Now we're also having a bit of fun at the center.
375
900260
2000
Επίσης τώρα λίγο διασκεδάζουμε στο κέντρο.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
902260
3000
Λοιπόν αυτό είναι μία ΥΤ -- μία υπολογιστική αξονική τομογραφία.
15:06
So this is a lion from the local zoo
377
906260
2000
Λοιπόν αυτό είναι ένα λιοντάρι από τον τοπικό ζωολογικό κήπο
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
908260
3000
έξω από το Νόρσεπινγκ στο Κολμόρτεν, η Έλσα.
15:11
So she came to the center,
379
911260
2000
Λοιπόν ήρθε στο κέντρο,
15:13
and they sedated her
380
913260
2000
και την ναρκώσανε
15:15
and then put her straight into the scanner.
381
915260
2000
και απευθείας μετά την έβαλαν μέσα στον σαρωτή.
15:17
And then, of course, I get the whole data set from the lion.
382
917260
3000
Και μετά, φυσικά, πήρα ένα ολόκληρο σύνολο δεδομένων από το λιοντάρι.
15:20
And I can do very nice images like this.
383
920260
2000
Και μπορώ να κάνω μετά πολύ καλές εικόνες,όπως εδώ.
15:22
I can peel off the layer of the lion.
384
922260
2000
Μπορώ να ξεφλουδίσω το στρώμα από το λιοντάρι.
15:24
I can look inside of it.
385
924260
2000
Μπορώ να κοιτάξω μέσα του.
15:26
And we've been experimenting with this.
386
926260
2000
Και έχουμε πειραματιστεί με αυτό.
15:28
And I think this is a great application
387
928260
2000
Και νομίζω είναι μία μεγάλη εφαρμογή
15:30
for the future of this technology,
388
930260
2000
για το μέλλον αυτής της τεχνολογίας.
15:32
because there's very little known about the animal anatomy.
389
932260
3000
Γιατί λίγα είναι γνωστά για την ανατομία των ζώων.
15:35
What's known out there for veterinarians is kind of basic information.
390
935260
3000
Αυτό που είναι γνωστό στους κτηνιάτρους είναι κάτι σαν βασική πληροφορία.
15:38
We can scan all sorts of things,
391
938260
2000
Μπορούμε να σαρώσουμε διάφορα πράγματα.
15:40
all sorts of animals.
392
940260
2000
Όλων των ειδών ζώα.
15:42
The only problem is to fit it into the machine.
393
942260
3000
Το μόνο πρόβλημα είναι πως θα τα χωρέσουμε στο μηχάνημα.
15:45
So here's a bear.
394
945260
2000
Λοιπόν εδώ είναι μία αρκούδα.
15:47
It was kind of hard to get it in.
395
947260
2000
Ήταν κάπως δύσκολο να την βάλουμε μέσα.
15:49
And the bear is a cuddly, friendly animal.
396
949260
3000
Και η αρκούδα είναι ένα αγαπησιάρικο, φιλικό ζώο.
15:52
And here it is. Here is the nose of the bear.
397
952260
3000
Και εδώ είναι. Εδώ είναι η μύτη της αρκούδας.
15:55
And you might want to cuddle this one,
398
955260
3000
Και ίσως θέλεις να την αγκαλιάσεις αυτήν εδώ,
15:58
until you change the functions and look at this.
399
958260
3000
μέχρι να αλλάξεις την συνάρτηση και να φαίνεται έτσι.
16:01
So be aware of the bear.
400
961260
2000
Άρα να προσέχετε την αρκούδα.
16:03
So with that,
401
963260
2000
Έτσι με αυτό,
16:05
I'd like to thank all the people
402
965260
2000
θα ήθελα να ευχαριστήσω όλους
16:07
who have helped me to generate these images.
403
967260
2000
που με βοήθησαν να παράγω αυτές τις εικόνες.
16:09
It's a huge effort that goes into doing this,
404
969260
2000
Είναι μία μεγάλη προσπάθεια για να γίνει αυτό,
16:11
gathering the data and developing the algorithms,
405
971260
3000
να συλλέξεις τα δεδομένα και να αναπτύξεις τους αλγορίθμους,
16:14
writing all the software.
406
974260
2000
να γράψεις όλο το λογισμικό.
16:16
So, some very talented people.
407
976260
3000
Άρα κάποιοι πολύ ταλαντούχοι άνθρωποι.
16:19
My motto is always, I only hire people that are smarter than I am
408
979260
3000
Το ρητό μου πάντα είναι, να προσλαμβάνω μόνο ανθρώπους που είναι εξυπνότεροι από μένα
16:22
and most of these are smarter than I am.
409
982260
2000
και πολλοί από αυτούς είναι εξυπνότεροι από μένα.
16:24
So thank you very much.
410
984260
2000
Λοιπόν, σας ευχαριστώ πάρα πολύ.
16:26
(Applause)
411
986260
4000
(Χειροκρότημα)
Σχετικά με αυτόν τον ιστότοπο

Αυτός ο ιστότοπος θα σας παρουσιάσει βίντεο στο YouTube που είναι χρήσιμα για την εκμάθηση της αγγλικής γλώσσας. Θα δείτε μαθήματα αγγλικών που διδάσκουν κορυφαίοι καθηγητές από όλο τον κόσμο. Κάντε διπλό κλικ στους αγγλικούς υπότιτλους που εμφανίζονται σε κάθε σελίδα βίντεο για να αναπαράγετε το βίντεο από εκεί. Οι υπότιτλοι μετακινούνται συγχρονισμένα με την αναπαραγωγή του βίντεο. Εάν έχετε οποιαδήποτε σχόλια ή αιτήματα, παρακαλούμε επικοινωνήστε μαζί μας χρησιμοποιώντας αυτή τη φόρμα επικοινωνίας.

https://forms.gle/WvT1wiN1qDtmnspy7