Anders Ynnerman: Visualizing the medical data explosion

42,202 views ・ 2011-01-21

TED


Dubbelklicka på de engelska undertexterna nedan för att spela upp videon.

Översättare: Joakim Carlberg Granskare: Johan Luyckx
00:15
I will start by posing a little bit of a challenge:
0
15260
4000
Jag ska börja med att formulera en liten utmaning,
00:19
the challenge of dealing with data,
1
19260
3000
utmaningen att hantera data,
00:22
data that we have to deal with
2
22260
2000
data som vi måste hantera
00:24
in medical situations.
3
24260
2000
i medicinska situationer.
00:26
It's really a huge challenge for us.
4
26260
2000
Det är verkligen en enorm utmaning för oss.
00:28
And this is our beast of burden --
5
28260
2000
Detta är vårt lastdjur.
00:30
this is a Computer Tomography machine,
6
30260
2000
Det är en datortomograf --
00:32
a CT machine.
7
32260
2000
en CT-maskin.
00:34
It's a fantastic device.
8
34260
2000
Det är en fantastisk apparat.
00:36
It uses X-rays, X-ray beams,
9
36260
2000
Den använder röntgenstrålning,
00:38
that are rotating very fast around the human body.
10
38260
3000
som roterar väldigt snabbt kring människokroppen.
00:41
It takes about 30 seconds to go through the whole machine
11
41260
2000
Det tar omkring 30 sekunder att åka igenom hela maskinen
00:43
and is generating enormous amounts of information
12
43260
2000
och det genereras enorma mängder information
00:45
that comes out of the machine.
13
45260
2000
som kommer ut ur maskinen.
00:47
So this is a fantastic machine
14
47260
2000
Så det här är en fantastisk maskin
00:49
that we can use
15
49260
2000
som vi kan använda
00:51
for improving health care,
16
51260
2000
för att förbättra hälso- och sjukvården.
00:53
but as I said, it's also a challenge for us.
17
53260
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
55260
3000
Och utmaningen kan man se i den här bilden.
00:58
It's the medical data explosion
19
58260
2000
Det är den medicinska dataexplosionen
01:00
that we're having right now.
20
60260
2000
som vi har just nu.
01:02
We're facing this problem.
21
62260
2000
Vi ställs inför detta problem.
01:04
And let me step back in time.
22
64260
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
66260
3000
Låt oss gå tillbaka några år i tiden och se vad som hände då.
01:09
These machines that came out --
24
69260
2000
De här maskinerna som kom ut --
01:11
they started coming in the 1970s --
25
71260
2000
de började komma under 1970-talet --
01:13
they would scan human bodies,
26
73260
2000
de scannade människokroppar,
01:15
and they would generate about 100 images
27
75260
2000
och de genererade omkring 100 bilder
01:17
of the human body.
28
77260
2000
av människokroppen.
01:19
And I've taken the liberty, just for clarity,
29
79260
2000
Jag har tagit mig friheten, för tydlighets skull,
01:21
to translate that to data slices.
30
81260
3000
att översätta det till dataenheter.
01:24
That would correspond to about 50 megabytes of data,
31
84260
2000
Det skulle motsvara ungefär 50 MB,
01:26
which is small
32
86260
2000
vilket är lite
01:28
when you think about the data we can handle today
33
88260
3000
när man tänker på informationen vi kan hantera idag
01:31
just on normal mobile devices.
34
91260
2000
bara på vanliga mobilenheter.
01:33
If you translate that to phone books,
35
93260
2000
Om man översätter det till telefonkataloger,
01:35
it's about one meter of phone books in the pile.
36
95260
3000
blir det ungefär en meterhög stapel av telefonkataloger.
01:38
Looking at what we're doing today
37
98260
2000
Ser man till det vi gör idag
01:40
with these machines that we have,
38
100260
2000
med de maskiner vi har,
01:42
we can, just in a few seconds,
39
102260
2000
kan vi, på bara några sekunder,
01:44
get 24,000 images out of a body,
40
104260
2000
få 24 000 bilder av en kropp.
01:46
and that would correspond to about 20 gigabytes of data,
41
106260
3000
Det skulle motsvara omkring 20 GB,
01:49
or 800 phone books,
42
109260
2000
eller 800 telefonkataloger.
01:51
and the pile would then be 200 meters of phone books.
43
111260
2000
Högen med telefonkataloger skulle då bli 200 meter hög.
01:53
What's about to happen --
44
113260
2000
Det som är på väg att hända --
01:55
and we're seeing this; it's beginning --
45
115260
2000
och vi ser att detta är på gång --
01:57
a technology trend that's happening right now
46
117260
2000
en tekniktrend som händer just nu
01:59
is that we're starting to look at time-resolved situations as well.
47
119260
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
122260
3000
Så vi får dynamiken av kroppen också.
02:05
And just assume
49
125260
2000
Anta bara
02:07
that we will be collecting data during five seconds,
50
127260
3000
att vi samlar data under fem sekunder,
02:10
and that would correspond to one terabyte of data --
51
130260
2000
det skulle motsvara en TB data.
02:12
that's 800,000 books
52
132260
2000
Det är 800 000 telefonkataloger
02:14
and 16 kilometers of phone books.
53
134260
2000
som skulle utgöra en 16 km hög stapel.
02:16
That's one patient, one data set.
54
136260
2000
Det är en patient, en uppsättning data.
02:18
And this is what we have to deal with.
55
138260
2000
Och det är detta vi måste handskas med.
02:20
So this is really the enormous challenge that we have.
56
140260
3000
Så det är egentligen detta som är den enorma utmaningen vi har.
02:23
And already today -- this is 25,000 images.
57
143260
3000
Redan idag -- detta är 25 000 bilder.
02:26
Imagine the days
58
146260
2000
Föreställ er
02:28
when we had radiologists doing this.
59
148260
2000
när vi hade röntgenläkare till detta.
02:30
They would put up 25,000 images,
60
150260
2000
Dom skulle ha satt upp 25 000 bilder,
02:32
they would go like this, "25,0000, okay, okay.
61
152260
3000
och gjort så här. "25 000, okej, okej...
02:35
There is the problem."
62
155260
2000
Där är problemet."
02:37
They can't do that anymore. That's impossible.
63
157260
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
159260
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
163260
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
165260
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
168260
3000
och sen försöker du sätta ihop alla skikt igen
02:51
into a pile of data, into a block of data.
68
171260
2000
till en hög med information, till ett datablock.
02:53
So this is really what we're doing.
69
173260
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
175260
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
178260
2000
Men självklart är det så att datablocket
03:00
just contains the amount of X-ray
72
180260
2000
bara innehåller den mängd röntgenstrålning
03:02
that's been absorbed in each point in the human body.
73
182260
2000
som blivit absorberad i varje punkt av människokroppen.
03:04
So what we need to do is to figure out a way
74
184260
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
186260
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
189260
3000
och göra saker genomskinliga som vi inte vill titta på.
03:12
So transforming the data set
77
192260
2000
Så att omvandla datauppsättningen
03:14
into something that looks like this.
78
194260
2000
till någonting som ser ut som detta.
03:16
And this is a challenge.
79
196260
2000
Detta är en utmaning.
03:18
This is a huge challenge for us to do that.
80
198260
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
201260
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
204260
2000
så är det en utmaning att handskas med flera gigabyte,
03:26
terabytes of data
83
206260
2000
eller terabyte
03:28
and extracting the relevant information.
84
208260
2000
och att extrahera den relevanta informationen.
03:30
I want to look at the heart.
85
210260
2000
Jag vill titta på hjärtat,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
212260
2000
Jag vill titta på blodkärlen, jag vill titta på levern,
03:34
Maybe even find a tumor,
87
214260
2000
kanske till och med hitta en tumör
03:36
in some cases.
88
216260
2000
i vissa fall.
03:39
So this is where this little dear comes into play.
89
219260
2000
Låt mig visa ett exempel.
03:41
This is my daughter.
90
221260
2000
Detta är min dotter.
03:43
This is as of 9 a.m. this morning.
91
223260
2000
Detta var klockan nio i morse.
03:45
She's playing a computer game.
92
225260
2000
Hon spelar ett dataspel.
03:47
She's only two years old,
93
227260
2000
Hon är bara två år gammal,
03:49
and she's having a blast.
94
229260
2000
och har jätteroligt.
03:51
So she's really the driving force
95
231260
3000
Så hon är den egentliga drivkraften
03:54
behind the development of graphics-processing units.
96
234260
3000
bakom utvecklingen av grafikprocessorer.
03:58
As long as kids are playing computer games,
97
238260
2000
Så länge barn spelar dataspel,
04:00
graphics is getting better and better and better.
98
240260
2000
blir grafiken bättre och bättre.
04:02
So please go back home, tell your kids to play more games,
99
242260
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
244260
2000
för det är det jag behöver.
04:06
So what's inside of this machine
101
246260
2000
Så det som är inuti den här maskinen
04:08
is what enables me to do the things that I'm doing
102
248260
2000
är det som gör det möjligt för mig att göra det jag gör
04:10
with the medical data.
103
250260
2000
med den medicinska datan.
04:12
So really what I'm doing is using these fantastic little devices.
104
252260
3000
Så vad jag gör är att använda dessa fantastiska små enheter.
04:15
And you know, going back
105
255260
2000
Går man tillbaka
04:17
maybe 10 years in time
106
257260
2000
omkring 10 år i tiden
04:19
when I got the funding
107
259260
2000
när jag fick finansiering
04:21
to buy my first graphics computer --
108
261260
2000
till min första grafikdator.
04:23
it was a huge machine.
109
263260
2000
Det var en enorm maskin.
04:25
It was cabinets of processors and storage and everything.
110
265260
3000
Det var stora skåp med processorer, lagring och allt.
04:28
I paid about one million dollars for that machine.
111
268260
3000
Jag betalade ungefär en miljon dollar för den maskinen.
04:32
That machine is, today, about as fast as my iPhone.
112
272260
3000
Den maskinen är idag ungefär lika snabb som min iPhone.
04:37
So every month there are new graphics cards coming out,
113
277260
2000
Varje månad kommer det ut nya grafikkort.
04:39
and here is a few of the latest ones from the vendors --
114
279260
3000
Här är några av de senaste från tillverkarna --
04:42
NVIDIA, ATI, Intel is out there as well.
115
282260
3000
NVIDIA, ATI och även Intel.
04:45
And you know, for a few hundred bucks
116
285260
2000
För bara några hundra dollar
04:47
you can get these things and put them into your computer,
117
287260
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
289260
3000
och man kan göra fantastiska saker med dessa grafikkort.
04:52
So this is really what's enabling us
119
292260
2000
Så det är egentligen detta som gör det möjligt för oss
04:54
to deal with the explosion of data in medicine,
120
294260
3000
att hantera med explosionen av data inom medicin,
04:57
together with some really nifty work
121
297260
2000
tillsammans med en del riktigt fiffigt arbete
04:59
in terms of algorithms --
122
299260
2000
i form av algoritmer --
05:01
compressing data,
123
301260
2000
datakomprimering,
05:03
extracting the relevant information that people are doing research on.
124
303260
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
306260
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
309260
3000
Detta är en datauppsättning som erhållits med datortomografi.
05:12
You can see that this is a full data [set].
127
312260
3000
Man kan se att det finns mycket information.
05:15
It's a woman. You can see the hair.
128
315260
3000
Det är en kvinna. Man kan se håret.
05:18
You can see the individual structures of the woman.
129
318260
3000
Man kan se de individuella strukturerna av kvinnan.
05:21
You can see that there is [a] scattering of X-rays
130
321260
3000
Man kan se viss diffraktion av röntgenstrålar
05:24
on the teeth, the metal in the teeth.
131
324260
2000
på tänderna, metallen i tänderna.
05:26
That's where those artifacts are coming from.
132
326260
3000
Det är därifrån artefakterna kommer.
05:29
But fully interactively
133
329260
2000
Men helt interaktivt
05:31
on standard graphics cards on a normal computer,
134
331260
3000
med ett vanligt grafikkort på en vanlig dator,
05:34
I can just put in a clip plane.
135
334260
2000
kan jag bara lägga in ett beskärningsplan.
05:36
And of course all the data is inside,
136
336260
2000
Självklart finns all data där,
05:38
so I can start rotating, I can look at it from different angles,
137
338260
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
341260
3000
och jag kan se att den här kvinnan hade problem.
05:44
She had a bleeding up in the brain,
139
344260
2000
Hon hade en blödning uppe i hjärnan,
05:46
and that's been fixed with a little stent,
140
346260
2000
och den har blivit fixad med en liten stent,
05:48
a metal clamp that's tightening up the vessel.
141
348260
2000
en metallklämma som drar ihop blodkärlet.
05:50
And just by changing the functions,
142
350260
2000
Bara genom att ändra i funktionerna,
05:52
then I can decide what's going to be transparent
143
352260
3000
kan jag bestämma vad som ska vara genomskinligt
05:55
and what's going to be visible.
144
355260
2000
och vad som ska vara synligt.
05:57
I can look at the skull structure,
145
357260
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
359260
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
362260
2000
och det var där dom gick in.
06:04
So these are fantastic images.
148
364260
2000
Så detta är fantastiska bilder.
06:06
They're really high resolution,
149
366260
2000
Dom är väldigt högupplösta
06:08
and they're really showing us what we can do
150
368260
2000
och dom visar oss verkligen vad vi kan göra
06:10
with standard graphics cards today.
151
370260
3000
med vanliga grafikkort idag.
06:13
Now we have really made use of this,
152
373260
2000
Nu har vi verkligen dragit nytta av detta,
06:15
and we have tried to squeeze a lot of data
153
375260
3000
och vi har försökt att klämma in massvis med data
06:18
into the system.
154
378260
2000
in i systemet.
06:20
And one of the applications that we've been working on --
155
380260
2000
En av tillämpningarna som vi har arbetat på --
06:22
and this has gotten a little bit of traction worldwide --
156
382260
3000
och detta har fått ett visst fäste över hela världen --
06:25
is the application of virtual autopsies.
157
385260
2000
är tillämpningen med virtuella obduktioner.
06:27
So again, looking at very, very large data sets,
158
387260
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
389260
3000
och ni såg helkroppsscanningarna vi kan göra.
06:32
We're just pushing the body through the whole CT scanner,
160
392260
3000
Vi för bara kroppen genom datortomografen,
06:35
and just in a few seconds we can get a full-body data set.
161
395260
3000
och på bara några sekunder kan vi få en helkroppsdatauppsättning.
06:38
So this is from a virtual autopsy.
162
398260
2000
Så detta är från en virtuell obduktion.
06:40
And you can see how I'm gradually peeling off.
163
400260
2000
Ni kan se hur jag gradvis skalar av.
06:42
First you saw the body bag that the body came in,
164
402260
3000
Först såg ni liksäcken kroppen kom i,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
405260
3000
sen skalar jag av huden -- ni kan se musklerna --
06:48
and eventually you can see the bone structure of this woman.
166
408260
3000
och slutligen kan ni se kvinnans skelett.
06:51
Now at this point, I would also like to emphasize
167
411260
3000
Vid det här laget skulle jag också vilja passa på att understryka
06:54
that, with the greatest respect
168
414260
2000
att, med den största respekt
06:56
for the people that I'm now going to show --
169
416260
2000
för människorna som jag nu ska visa --
06:58
I'm going to show you a few cases of virtual autopsies --
170
418260
2000
Jag ska visa några fall av virtuella obduktioner --
07:00
so it's with great respect for the people
171
420260
2000
så det är med största respekt för människorna
07:02
that have died under violent circumstances
172
422260
2000
som dött under våldsamma omständigheter
07:04
that I'm showing these pictures to you.
173
424260
3000
som jag ska visa dessa bilder för er.
07:08
In the forensic case --
174
428260
2000
I rättsmedicinska fall --
07:10
and this is something
175
430260
2000
och detta är något
07:12
that ... there's been approximately 400 cases so far
176
432260
2000
som det funnits cirka 400 fall av hittills
07:14
just in the part of Sweden that I come from
177
434260
2000
bara i den delen av Sverige som jag kommer ifrån
07:16
that has been undergoing virtual autopsies
178
436260
2000
som har undergått virtuella obduktioner
07:18
in the past four years.
179
438260
2000
de senaste fyra åren.
07:20
So this will be the typical workflow situation.
180
440260
3000
Så detta är den typiska arbetsgången.
07:23
The police will decide --
181
443260
2000
Polisen avgör --
07:25
in the evening, when there's a case coming in --
182
445260
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
447260
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
450260
3000
På morgonen, mellan klockan sex och sju,
07:33
the body is then transported inside of the body bag
185
453260
2000
transporteras sedan kroppen inuti liksäcken
07:35
to our center
186
455260
2000
till vårt center
07:37
and is being scanned through one of the CT scanners.
187
457260
2000
och scannas genom en av datortomograferna.
07:39
And then the radiologist, together with the pathologist
188
459260
2000
Sen tittar röntgenläkaren, tillsammans med rättsläkaren
07:41
and sometimes the forensic scientist,
189
461260
2000
och ibland en annan rättsmedicinsk specialist,
07:43
looks at the data that's coming out,
190
463260
2000
på datan som kommer ut,
07:45
and they have a joint session.
191
465260
2000
och dom har ett gemensamt sammanträde.
07:47
And then they decide what to do in the real physical autopsy after that.
192
467260
3000
Efter detta bestämmer dom vad som sedan ska göras i den riktiga, fysiska obduktionen.
07:52
Now looking at a few cases,
193
472260
2000
Låt oss titta på några fall,
07:54
here's one of the first cases that we had.
194
474260
2000
här är ett av de första fallen som vi hade.
07:56
You can really see the details of the data set.
195
476260
3000
Man kan verkligen se detaljerna av datauppsättningen,
07:59
It's very high-resolution,
196
479260
2000
det är väldigt högupplöst.
08:01
and it's our algorithms that allow us
197
481260
2000
Och det är våra algoritmer som låter oss
08:03
to zoom in on all the details.
198
483260
2000
zooma in på alla detaljer.
08:05
And again, it's fully interactive,
199
485260
2000
Återigen, det är helt interaktivt,
08:07
so you can rotate and you can look at things in real time
200
487260
2000
så man kan rotera och man kan titta på saker i realtid
08:09
on these systems here.
201
489260
2000
på dessa system.
08:11
Without saying too much about this case,
202
491260
2000
Utan att säga för mycket om detta fallet,
08:13
this is a traffic accident,
203
493260
2000
det är en trafikolycka,
08:15
a drunk driver hit a woman.
204
495260
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
497260
3000
Det är väldigt lätt att se skadorna på skelettet.
08:20
And the cause of death is the broken neck.
206
500260
3000
Dödsorsaken är den brutna nacken.
08:23
And this women also ended up under the car,
207
503260
2000
Den här kvinnan hamnade dessutom under bilen,
08:25
so she's quite badly beaten up
208
505260
2000
så hon är i ganska dåligt skick
08:27
by this injury.
209
507260
2000
på grund av olyckan.
08:29
Here's another case, a knifing.
210
509260
3000
Här är ett annat fall, ett fall av knivvåld.
08:32
And this is also again showing us what we can do.
211
512260
2000
Detta visar oss igen vad vi kan göra.
08:34
It's very easy to look at metal artifacts
212
514260
2000
Det är väldigt lätt att se metallartefakter
08:36
that we can show inside of the body.
213
516260
3000
som vi kan visa inuti kroppen.
08:39
You can also see some of the artifacts from the teeth --
214
519260
3000
Man kan också se lite artefakter från tänderna --
08:42
that's actually the filling of the teeth --
215
522260
2000
det är faktiskt tandfyllningarna --
08:44
but because I've set the functions to show me metal
216
524260
3000
men eftersom jag har satt inställningarna att visa metall
08:47
and make everything else transparent.
217
527260
2000
och göra allt annat genomskinligt.
08:49
Here's another violent case. This really didn't kill the person.
218
529260
3000
Här är ett annat våldsamt fall. Det här dödade inte personen.
08:52
The person was killed by stabs in the heart,
219
532260
2000
Personen dog av knivhugg i hjärtat,
08:54
but they just deposited the knife
220
534260
2000
men dom gjorde bara sig av med kniven
08:56
by putting it through one of the eyeballs.
221
536260
2000
genom att sätta den i en av ögonhålorna.
08:58
Here's another case.
222
538260
2000
Här är ett annat fall.
09:00
It's very interesting for us
223
540260
2000
Det är väldigt intressant för oss
09:02
to be able to look at things like knife stabbings.
224
542260
2000
att kunna undersöka saker som knivhugg.
09:04
Here you can see that knife went through the heart.
225
544260
3000
Här kan man se att kniven gick genom hjärtat.
09:07
It's very easy to see how air has been leaking
226
547260
2000
Det är väldigt lätt att se hur luften har läckt
09:09
from one part to another part,
227
549260
2000
från en del till en annan del,
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
551260
3000
vilket är svårt att se i en vanlig fysisk obduktion.
09:14
So it really, really helps
229
554260
2000
Så det underlättar verkligen
09:16
the criminal investigation
230
556260
2000
brottsutredningen
09:18
to establish the cause of death,
231
558260
2000
att fastställa dödsorsaken,
09:20
and in some cases also directing the investigation in the right direction
232
560260
3000
och i vissa fall att leda utredningen i rätt riktning
09:23
to find out who the killer really was.
233
563260
2000
för att ta reda på vem gärningsmannen egentligen var.
09:25
Here's another case that I think is interesting.
234
565260
2000
Här är ett annat fall som jag tycker är intressant.
09:27
Here you can see a bullet
235
567260
2000
Här kan man se en kula
09:29
that has lodged just next to the spine on this person.
236
569260
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
572260
3000
Vad vi har gjort är att vi har gjort om kulan till en ljuskälla,
09:35
so that bullet is actually shining,
238
575260
2000
så att kulan faktiskt skiner,
09:37
and it makes it really easy to find these fragments.
239
577260
3000
och det gör det väldigt enkelt att hitta såna här fragment.
09:40
During a physical autopsy,
240
580260
2000
Under en fysisk obduktion,
09:42
if you actually have to dig through the body to find these fragments,
241
582260
2000
om du verkligen måste gräva genom hela kroppen för att finna dessa fragment,
09:44
that's actually quite hard to do.
242
584260
2000
så är det faktiskt rätt svårt.
09:48
One of the things that I'm really, really happy
243
588260
2000
En sak som jag är väldigt glad
09:50
to be able to show you here today
244
590260
3000
att kunna visa er här idag
09:53
is our virtual autopsy table.
245
593260
2000
är vårt virtuella obduktionsbord.
09:55
It's a touch device that we have developed
246
595260
2000
Det är en touch-enhet som vi har utvecklat
09:57
based on these algorithms, using standard graphics GPUs.
247
597260
3000
baserat på dom här algoritmerna och med vanliga grafikkort.
10:00
It actually looks like this,
248
600260
2000
Det ser i själva verket ut så här,
10:02
just to give you a feeling for what it looks like.
249
602260
3000
bara för att ge er en känsla av hur det ser ut.
10:05
It really just works like a huge iPhone.
250
605260
3000
Det fungerar precis som en enorm iPhone.
10:08
So we've implemented
251
608260
2000
Så vi har implementerat
10:10
all the gestures you can do on the table,
252
610260
3000
alla rörelser man kan göra på bordet,
10:13
and you can think of it as an enormous touch interface.
253
613260
4000
och man kan se det som ett enormt touch-gränssnitt.
10:17
So if you were thinking of buying an iPad,
254
617260
2000
Så om du funderade på att köpa en iPad,
10:19
forget about it. This is what you want instead.
255
619260
3000
glöm det - detta är vad du vill ha istället.
10:22
Steve, I hope you're listening to this, all right.
256
622260
3000
Steve, jag hoppas du lyssnar på detta.
10:26
So it's a very nice little device.
257
626260
2000
Så det är en väldigt trevlig liten enhet.
10:28
So if you have the opportunity, please try it out.
258
628260
2000
Om ni får tillfälle, pröva det gärna.
10:30
It's really a hands-on experience.
259
630260
3000
Det är verkligen en fysisk känsla.
10:33
So it gained some traction, and we're trying to roll this out
260
633260
3000
Den har fått visst fäste och vi försöker lansera den
10:36
and trying to use it for educational purposes,
261
636260
2000
och testar den i undervisningssyften,
10:38
but also, perhaps in the future,
262
638260
2000
men också, eventuellt i framtiden,
10:40
in a more clinical situation.
263
640260
3000
i mer kliniska sammanhang.
10:43
There's a YouTube video that you can download and look at this,
264
643260
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
645260
2000
om man vill förmedla informationen till andra människor
10:47
about virtual autopsies.
266
647260
3000
om virtuella obduktioner.
10:50
Okay, now that we're talking about touch,
267
650260
2000
Okej, nu när vi pratar om "touch",
10:52
let me move on to really "touching" data.
268
652260
2000
låt mig gå över till verkligt "rörande" data.
10:54
And this is a bit of science fiction now,
269
654260
2000
Och detta är lite science fiction nu,
10:56
so we're moving into really the future.
270
656260
3000
så vi går verkligen in i framtiden.
10:59
This is not really what the medical doctors are using right now,
271
659260
3000
Detta är inte vad läkare egentligen använder sig av just nu,
11:02
but I hope they will in the future.
272
662260
2000
men jag hoppas dom gör det i framtiden.
11:04
So what you're seeing on the left is a touch device.
273
664260
3000
Det ni ser till vänster är en touch-enhet.
11:07
It's a little mechanical pen
274
667260
2000
Det är en liten mekanisk penna
11:09
that has very, very fast step motors inside of the pen.
275
669260
3000
som har väldigt snabba stegmotorer inuti pennan.
11:12
And so I can generate a force feedback.
276
672260
2000
På så sätt kan jag skapa en "kraftåterkoppling" (force feedback).
11:14
So when I virtually touch data,
277
674260
2000
Så när jag virtuellt vidrör data,
11:16
it will generate forces in the pen, so I get a feedback.
278
676260
3000
skapas rörelsekrafter i pennan, så jag får en återkoppling.
11:19
So in this particular situation,
279
679260
2000
I det här fallet
11:21
it's a scan of a living person.
280
681260
2000
är det en scanning av en levande person.
11:23
I have this pen, and I look at the data,
281
683260
3000
Jag har den här pennan och jag tittar på datan,
11:26
and I move the pen towards the head,
282
686260
2000
och jag rör pennan mot huvudet,
11:28
and all of a sudden I feel resistance.
283
688260
2000
och helt plötsligt känner jag ett motstånd.
11:30
So I can feel the skin.
284
690260
2000
Så jag kan känna huden.
11:32
If I push a little bit harder, I'll go through the skin,
285
692260
2000
Om jag trycker lite hårdare kommer jag igenom huden,
11:34
and I can feel the bone structure inside.
286
694260
3000
och jag kan känna benstrukturen inuti.
11:37
If I push even harder, I'll go through the bone structure,
287
697260
2000
Om jag trycker ännu hårdare kommer jag igenom skelettet,
11:39
especially close to the ear where the bone is very soft.
288
699260
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
702260
3000
Sen kan jag känna hjärnan inuti, och den kommer vara slaskig som så här.
11:45
So this is really nice.
290
705260
2000
Så det här är väldigt trevligt.
11:47
And to take that even further, this is a heart.
291
707260
3000
För att ta det ännu längre, detta är ett hjärta.
11:50
And this is also due to these fantastic new scanners,
292
710260
3000
Och detta är också tack vare dom här fantastiska nya maskinerna,
11:53
that just in 0.3 seconds,
293
713260
2000
som på bara 0,3 sekunder,
11:55
I can scan the whole heart,
294
715260
2000
kan scanna hela hjärtat,
11:57
and I can do that with time resolution.
295
717260
2000
och jag kan göra det med tidsupplösning.
11:59
So just looking at this heart,
296
719260
2000
Så bara genom att titta på det här hjärtat --
12:01
I can play back a video here.
297
721260
2000
Jag kan spela upp en video här.
12:03
And this is Karljohan, one of my graduate students
298
723260
2000
Detta är Karl-Johan, en av mina doktorander
12:05
who's been working on this project.
299
725260
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
727260
3000
Han sitter där framför haptikkontrollen, force feedback-systemet,
12:10
and he's moving his pen towards the heart,
301
730260
3000
och han rör pennan mot hjärtat,
12:13
and the heart is now beating in front of him,
302
733260
2000
och hjärtat slår nu framför honom,
12:15
so he can see how the heart is beating.
303
735260
2000
så han kan se hur hjärtat slår.
12:17
He's taken the pen, and he's moving it towards the heart,
304
737260
2000
Han tar pennan och rör den mot hjärtat,
12:19
and he's putting it on the heart,
305
739260
2000
och han sätter den på hjärtat,
12:21
and then he feels the heartbeats from the real living patient.
306
741260
3000
och sen känner han hjärtslagen från den levande patienten.
12:24
Then he can examine how the heart is moving.
307
744260
2000
Sedan kan han undersöka hur hjärtat rör sig.
12:26
He can go inside, push inside of the heart,
308
746260
2000
Han kan trycka sig in inuti hjärtat,
12:28
and really feel how the valves are moving.
309
748260
3000
och riktigt känna hur klaffarna rör sig.
12:31
And this, I think, is really the future for heart surgeons.
310
751260
3000
Och detta, tror jag, är framtiden för hjärtkirurger.
12:34
I mean it's probably the wet dream for a heart surgeon
311
754260
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
757260
3000
att kunna gå inuti en patients hjärta
12:40
before you actually do surgery,
313
760260
2000
innan du gör det riktiga kirurgiska ingreppet,
12:42
and do that with high-quality resolution data.
314
762260
2000
och gör det med högkvalitativ, högupplöst data.
12:44
So this is really neat.
315
764260
2000
Så det här är jättebra.
12:47
Now we're going even further into science fiction.
316
767260
3000
Nu rör vi oss ännu längre in i framtidens science fiction.
12:50
And we heard a little bit about functional MRI.
317
770260
3000
Vi hörde lite om funktionell MRI.
12:53
Now this is really an interesting project.
318
773260
3000
Det här är ett riktigt intressant projekt.
12:56
MRI is using magnetic fields
319
776260
2000
MRI använder sig av magnetfält
12:58
and radio frequencies
320
778260
2000
och radiofrekvenser
13:00
to scan the brain, or any part of the body.
321
780260
3000
för att scanna hjärnan, eller vilken kroppsdel som helst.
13:03
So what we're really getting out of this
322
783260
2000
Så vad vi egentligen får ut av detta
13:05
is information of the structure of the brain,
323
785260
2000
är information om hjärnans struktur,
13:07
but we can also measure the difference
324
787260
2000
men vi kan också mäta skillnaden
13:09
in magnetic properties of blood that's oxygenated
325
789260
3000
av magnetiska egenskaper mellan blod som är syresatt
13:12
and blood that's depleted of oxygen.
326
792260
3000
och blod som är syrefattigt.
13:15
That means that it's possible
327
795260
2000
Det innebär att det är möjligt
13:17
to map out the activity of the brain.
328
797260
2000
att kartlägga hjärnaktiviteten.
13:19
So this is something that we've been working on.
329
799260
2000
Så detta är något vi har jobbat på.
13:21
And you just saw Motts the research engineer, there,
330
801260
3000
Och ni såg precis forskningsingenjören Mats
13:24
going into the MRI system,
331
804260
2000
åka in i MRI-systemet,
13:26
and he was wearing goggles.
332
806260
2000
och han hade på sig ett par glasögon.
13:28
So he could actually see things in the goggles.
333
808260
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
810260
3000
Så jag kunde visa saker för honom medan han låg i scannern.
13:33
And this is a little bit freaky,
335
813260
2000
Och det här är lite galet,
13:35
because what Motts is seeing is actually this.
336
815260
2000
för vad Mats ser är egentligen detta.
13:37
He's seeing his own brain.
337
817260
3000
Han ser sin egen hjärna.
13:40
So Motts is doing something here,
338
820260
2000
Så Mats gör någonting här.
13:42
and probably he is going like this with his right hand,
339
822260
2000
Troligtvis gör han så här med sin högerhand,
13:44
because the left side is activated
340
824260
2000
för den vänstra sidan aktiveras
13:46
on the motor cortex.
341
826260
2000
på den primära motoriska barken.
13:48
And then he can see that at the same time.
342
828260
2000
Och sen kan han se det samtidigt.
13:50
These visualizations are brand new.
343
830260
2000
Dessa visualiseringar är helt nya.
13:52
And this is something that we've been researching for a little while.
344
832260
3000
Detta är något som vi har forskat i ett tag.
13:55
This is another sequence of Motts' brain.
345
835260
3000
Det här är en annan sekvens av Mats hjärna.
13:58
And here we asked Motts to calculate backwards from 100.
346
838260
3000
Här bad vi Mats räkna baklänges från 100.
14:01
So he's going "100, 97, 94."
347
841260
2000
Så han tänker "100, 97, 94".
14:03
And then he's going backwards.
348
843260
2000
Och så fortsätter han.
14:05
And you can see how the little math processor is working up here in his brain
349
845260
3000
Man kan se hur den lilla matteprocessorn jobbar här uppe i hans hjärna
14:08
and is lighting up the whole brain.
350
848260
2000
och lyser upp hela hjärnan.
14:10
Well this is fantastic. We can do this in real time.
351
850260
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
852260
2000
Vi kan undersöka saker. Vi kan be honom göra saker.
14:14
You can also see that his visual cortex
353
854260
2000
Man kan också se att hans syncentrum
14:16
is activated in the back of the head,
354
856260
2000
är aktiverat på baksidan av huvudet,
14:18
because that's where he's seeing, he's seeing his own brain.
355
858260
2000
för det är där han ser, han ser sin egen hjärna.
14:20
And he's also hearing our instructions
356
860260
2000
Han hör också våra instruktioner
14:22
when we tell him to do things.
357
862260
2000
när vi ber honom göra saker.
14:24
The signal is really deep inside of the brain as well,
358
864260
2000
Signalen är väldigt djup inuti hjärnan också,
14:26
and it's shining through,
359
866260
2000
men den skiner igenom,
14:28
because all of the data is inside this volume.
360
868260
2000
för all data är inuti den här volymen.
14:30
And in just a second here you will see --
361
870260
2000
Om en sekund kommer ni få se --
14:32
okay, here. Motts, now move your left foot.
362
872260
2000
Okej, här. Mats, rör på din vänsterfot.
14:34
So he's going like this.
363
874260
2000
Så han gör så här.
14:36
For 20 seconds he's going like that,
364
876260
2000
I 20 sekunder gör han så,
14:38
and all of a sudden it lights up up here.
365
878260
2000
och helt plötsligt lyser det upp här uppe.
14:40
So we've got motor cortex activation up there.
366
880260
2000
Så vi har aktivering av den motoriska barken där uppe.
14:42
So this is really, really nice,
367
882260
2000
Så det här är riktigt bra.
14:44
and I think this is a great tool.
368
884260
2000
Och jag tycker det här är ett mycket bra redskap.
14:46
And connecting also with the previous talk here,
369
886260
2000
För att knyta an till den tidigare presentationen,
14:48
this is something that we could use as a tool
370
888260
2000
så är detta någonting vi skulle kunna använda som ett verktyg
14:50
to really understand
371
890260
2000
för att verkligen förstå
14:52
how the neurons are working, how the brain is working,
372
892260
2000
hur neuroner fungerar, hur hjärnan fungerar,
14:54
and we can do this with very, very high visual quality
373
894260
3000
och vi kan göra detta med väldigt hög visuell kvalitet
14:57
and very fast resolution.
374
897260
3000
och väldigt hög tidsupplösning.
15:00
Now we're also having a bit of fun at the center.
375
900260
2000
Vi har också lite roligt på vårt center.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
902260
3000
Det här är en CAT scan -- "Computer Aided Tomography" (datortomografi).
15:06
So this is a lion from the local zoo
377
906260
2000
Det här är ett lejon från den lokala djurparken
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
908260
3000
utanför Norrköping - Kolmården. Elsa.
15:11
So she came to the center,
379
911260
2000
Så hon kom till centret,
15:13
and they sedated her
380
913260
2000
och dom gav henne bedövning
15:15
and then put her straight into the scanner.
381
915260
2000
innan hon åkte in i scannern.
15:17
And then, of course, I get the whole data set from the lion.
382
917260
3000
Sen får jag hela datauppsättningen av lejonet.
15:20
And I can do very nice images like this.
383
920260
2000
Och jag kan göra så här fina bilder.
15:22
I can peel off the layer of the lion.
384
922260
2000
Jag kan skala av lager av lejonet.
15:24
I can look inside of it.
385
924260
2000
Jag kan titta inuti det.
15:26
And we've been experimenting with this.
386
926260
2000
Vi har experimenterat med detta
15:28
And I think this is a great application
387
928260
2000
och jag tycker det är jättebra tillämpning
15:30
for the future of this technology,
388
930260
2000
för framtiden av den här teknologin.
15:32
because there's very little known about the animal anatomy.
389
932260
3000
För man vet väldigt lite om djurs anatomi.
15:35
What's known out there for veterinarians is kind of basic information.
390
935260
3000
Den vetskap som finns där ute för veterinärer är ganska enkel information.
15:38
We can scan all sorts of things,
391
938260
2000
Vi kan scanna alla möjliga saker,
15:40
all sorts of animals.
392
940260
2000
alla sorters djur.
15:42
The only problem is to fit it into the machine.
393
942260
3000
Det enda problemet är att få in det i maskinen.
15:45
So here's a bear.
394
945260
2000
Här är en björn.
15:47
It was kind of hard to get it in.
395
947260
2000
Det var rätt svårt att få in den.
15:49
And the bear is a cuddly, friendly animal.
396
949260
3000
Och björnen är ett gosigt, vänligt djur.
15:52
And here it is. Here is the nose of the bear.
397
952260
3000
Här är den. Här är björnens nos.
15:55
And you might want to cuddle this one,
398
955260
3000
Man vill kanske gosa med den här,
15:58
until you change the functions and look at this.
399
958260
3000
tills man ändrar inställningarna och tittar på detta.
16:01
So be aware of the bear.
400
961260
2000
Så var akta er för björnen.
16:03
So with that,
401
963260
2000
Så med det
16:05
I'd like to thank all the people
402
965260
2000
skulle jag vilja tacka alla de
16:07
who have helped me to generate these images.
403
967260
2000
som har hjälpt mig skapa dessa bilder.
16:09
It's a huge effort that goes into doing this,
404
969260
2000
Det är en enorm ansträngning som lagts på detta,
16:11
gathering the data and developing the algorithms,
405
971260
3000
att samla all data och utveckla algoritmerna,
16:14
writing all the software.
406
974260
2000
koda all mjukvara.
16:16
So, some very talented people.
407
976260
3000
Väldigt talangfulla människor.
16:19
My motto is always, I only hire people that are smarter than I am
408
979260
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
982260
2000
och dom flesta av dessa är smartare än jag.
16:24
So thank you very much.
410
984260
2000
Tack så mycket.
16:26
(Applause)
411
986260
4000
(Applåder)
Om denna webbplats

På den här webbplatsen hittar du YouTube-videor som är användbara för att lära sig engelska. Du kommer att få se engelska lektioner som ges av förstklassiga lärare från hela världen. Dubbelklicka på de engelska undertexterna som visas på varje videosida för att spela upp videon därifrån. Undertexterna rullar i takt med videouppspelningen. Om du har några kommentarer eller önskemål kan du kontakta oss via detta kontaktformulär.

https://forms.gle/WvT1wiN1qDtmnspy7