Anders Ynnerman: Visualizing the medical data explosion

Anders Ynnerman: Tıbbi veri patlamasını görüntülemek

42,202 views

2011-01-21 ・ TED


New videos

Anders Ynnerman: Visualizing the medical data explosion

Anders Ynnerman: Tıbbi veri patlamasını görüntülemek

42,202 views ・ 2011-01-21

TED


Videoyu oynatmak için lütfen aşağıdaki İngilizce altyazılara çift tıklayınız.

Çeviri: Isil Arican Gözden geçirme: Cevat Erisken
00:15
I will start by posing a little bit of a challenge:
0
15260
4000
Size öncelikle karşılaştığımız bir zorluktan,
00:19
the challenge of dealing with data,
1
19260
3000
verilerle uğraşmanın, tıbbi durumlara
00:22
data that we have to deal with
2
22260
2000
ait olan verilerle uğraşmanın zorluğundan
00:24
in medical situations.
3
24260
2000
bahsetmek istiyorum.
00:26
It's really a huge challenge for us.
4
26260
2000
Bu bizim için gerçekten de çok büyük bir zorluk,
00:28
And this is our beast of burden --
5
28260
2000
en zorlandığımız şey bu.
00:30
this is a Computer Tomography machine,
6
30260
2000
Bu bir bilgisayarlı tomografi cihazı --
00:32
a CT machine.
7
32260
2000
bir BT cihazı.
00:34
It's a fantastic device.
8
34260
2000
Müthiş bir cihaz.
00:36
It uses X-rays, X-ray beams,
9
36260
2000
X-ışınlarını kullanıyor,
00:38
that are rotating very fast around the human body.
10
38260
3000
insan vücudu etrafında hızla dönen X ışınlarını kullanıyor.
00:41
It takes about 30 seconds to go through the whole machine
11
41260
2000
Makineye girip çıkmak yaklaşık 30 saniye sürüyor
00:43
and is generating enormous amounts of information
12
43260
2000
ve bu sürenin sonunda makina inanılmaz miktarlarda
00:45
that comes out of the machine.
13
45260
2000
veri üretiyor.
00:47
So this is a fantastic machine
14
47260
2000
Bu, sağlık hizmetlerini
00:49
that we can use
15
49260
2000
iyileştirmek için kullanabileceğimiz
00:51
for improving health care,
16
51260
2000
müthiş bir cihaz. Ama daha önce belirttiğim gibi
00:53
but as I said, it's also a challenge for us.
17
53260
2000
aynı zamanda büyük bir sorun.
00:55
And the challenge is really found in this picture here.
18
55260
3000
Zorluğu bu resimde görmek mümkün.
00:58
It's the medical data explosion
19
58260
2000
Şu an yaşadığımız bir nevi tıbbi
01:00
that we're having right now.
20
60260
2000
veri patlaması.
01:02
We're facing this problem.
21
62260
2000
Yaşadığımız sorun bu.
01:04
And let me step back in time.
22
64260
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
66260
3000
Birkaç yıl geriye gidelim ve o zaman bunların nasıl olduğuna bakalım.
01:09
These machines that came out --
24
69260
2000
Bu makineler 1970'li yıllarda
01:11
they started coming in the 1970s --
25
71260
2000
ortaya çıkmaya başladı.
01:13
they would scan human bodies,
26
73260
2000
İnsan vücudunu tarıyorlar ve
01:15
and they would generate about 100 images
27
75260
2000
insan vücuduna ait yaklaşık
01:17
of the human body.
28
77260
2000
100 görüntü üretiyorlardı.
01:19
And I've taken the liberty, just for clarity,
29
79260
2000
Konuyu daha iyi açıklamak için
01:21
to translate that to data slices.
30
81260
3000
bunu veri dilimlerine çevirmek istiyorum.
01:24
That would correspond to about 50 megabytes of data,
31
84260
2000
Bunlar yaklaşık 50 MB veriye denk geliyordu,
01:26
which is small
32
86260
2000
ki bugün mobil cihazlarımızda uğraştığımız
01:28
when you think about the data we can handle today
33
88260
3000
veri miktarını düşünecek olursanız
01:31
just on normal mobile devices.
34
91260
2000
bu oldukça ufak bir veri.
01:33
If you translate that to phone books,
35
93260
2000
Bunu telefon rehberi birimine çevirecek olursanız,
01:35
it's about one meter of phone books in the pile.
36
95260
3000
yerden 1 metre yüksekliği olan bir telefon rehberi sütunu demek.
01:38
Looking at what we're doing today
37
98260
2000
Şimdi de bugün sahip olduğumuz
01:40
with these machines that we have,
38
100260
2000
makinelerle yaptıklarımıza bir bakalım,
01:42
we can, just in a few seconds,
39
102260
2000
sadece birkaç saniye içinde,
01:44
get 24,000 images out of a body,
40
104260
2000
vücuttan 24 bin görüntü alabiliyoruz.
01:46
and that would correspond to about 20 gigabytes of data,
41
106260
3000
Bu yaklaşık 20 GB veri demek,
01:49
or 800 phone books,
42
109260
2000
ya da 800 telefon rehberi.
01:51
and the pile would then be 200 meters of phone books.
43
111260
2000
Üstüste koysanız bu yaklaşık 200 metre eder.
01:53
What's about to happen --
44
113260
2000
Gördüğünüz, görmekte olduğunuz
01:55
and we're seeing this; it's beginning --
45
115260
2000
şu anda süregelen bu teknoloji trendi ile
01:57
a technology trend that's happening right now
46
117260
2000
artık zamana bağlı durumlarla da
01:59
is that we're starting to look at time-resolved situations as well.
47
119260
3000
ilgilenmeye başlıyoruz.
02:02
So we're getting the dynamics out of the body as well.
48
122260
3000
Artık vücuttan ilgili dinamikleri de alabiliyoruz.
02:05
And just assume
49
125260
2000
Farz edin ki
02:07
that we will be collecting data during five seconds,
50
127260
3000
beş saniye boyunca veri toplayacağız,
02:10
and that would correspond to one terabyte of data --
51
130260
2000
bu bir terabayt veriye eşdeğer olacaktır.
02:12
that's 800,000 books
52
132260
2000
Bu 800.000 kitap ve
02:14
and 16 kilometers of phone books.
53
134260
2000
16 km yüksekliğinde bir telefon rehberi kulesi demek.
02:16
That's one patient, one data set.
54
136260
2000
Bu tek bir hasta, bir veri seti.
02:18
And this is what we have to deal with.
55
138260
2000
Altından kalkmamız gereken sorun da bu.
02:20
So this is really the enormous challenge that we have.
56
140260
3000
Yani gerçekten önümüzde müthiş bir zorluk var.
02:23
And already today -- this is 25,000 images.
57
143260
3000
Ve bugün bile, -- bu 250 bin görüntü.
02:26
Imagine the days
58
146260
2000
Bunları radyoloji uzmanlarının
02:28
when we had radiologists doing this.
59
148260
2000
yaptığı günleri düşünün.
02:30
They would put up 25,000 images,
60
150260
2000
25 bin görüntüye bakıp,
02:32
they would go like this, "25,0000, okay, okay.
61
152260
3000
"evet, evet, 25 bin, evet...
02:35
There is the problem."
62
155260
2000
Hah, işte problem şurada." diyeceklerdi.
02:37
They can't do that anymore. That's impossible.
63
157260
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
159260
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
163260
2000
Bu nedenle, bütün bu dilimleri bir araya getiriyoruz.
02:45
Imagine that you slice your body in all these directions,
66
165260
3000
Vücudunuzu tüm yönlerde dilimlediğinizi hayal edin,
02:48
and then you try to put the slices back together again
67
168260
3000
Daha sonra da bu dilimleri tekrar birleştirmeye çalışıyorsunuz,
02:51
into a pile of data, into a block of data.
68
171260
2000
tek bir bilgi yığını halinde, bir blok veri.
02:53
So this is really what we're doing.
69
173260
2000
İşte bizim gerçekte yaptığımız bu.
02:55
So this gigabyte or terabyte of data, we're putting it into this block.
70
175260
3000
Bu bir gigabayt ya da terabaytlık veriyi bir blok halinde yığıyoruz.
02:58
But of course, the block of data
71
178260
2000
Ama elbette, bu veri yığını
03:00
just contains the amount of X-ray
72
180260
2000
insan vücudundaki her nokta
03:02
that's been absorbed in each point in the human body.
73
182260
2000
tarafından soğrulan X-ışını miktarı kadar veri içeriyor.
03:04
So what we need to do is to figure out a way
74
184260
2000
Bu nedenle, yapmamız gereken
03:06
of looking at the things we do want to look at
75
186260
3000
bakmak istediğimiz şeyleri bize gösteren
03:09
and make things transparent that we don't want to look at.
76
189260
3000
görmek istemediklerimizi ise şeffaflaştıran bir yöntem bulmak.
03:12
So transforming the data set
77
192260
2000
Bu veri dizisini şuna benzer
03:14
into something that looks like this.
78
194260
2000
bir şeye dönüştürüyoruz.
03:16
And this is a challenge.
79
196260
2000
İşte işin zor olan kısmı bu.
03:18
This is a huge challenge for us to do that.
80
198260
3000
Bu, bizim aşmamız gereken ciddi bir engel.
03:21
Using computers, even though they're getting faster and better all the time,
81
201260
3000
Gigabaytlarca veriyi işlemek için bilgisayarları kullanmak,
03:24
it's a challenge to deal with gigabytes of data,
82
204260
2000
her ne kadar her geçen anda daha hızlı ve iyi oluyorlarsa da
03:26
terabytes of data
83
206260
2000
terbaytlarca veriyi işlemek ve işe yarar
03:28
and extracting the relevant information.
84
208260
2000
veriyi içlerinden ayıklamak gerçekten zor.
03:30
I want to look at the heart.
85
210260
2000
Kalbe bakmak istiyorum,
03:32
I want to look at the blood vessels. I want to look at the liver.
86
212260
2000
kan damarlarına bakmak istiyorum, karaciğere bakmak istiyorum,
03:34
Maybe even find a tumor,
87
214260
2000
hatta bazı vakalarda
03:36
in some cases.
88
216260
2000
bir tümör arıyorum.
03:39
So this is where this little dear comes into play.
89
219260
2000
İşte bu ufaklığın devreye girdiği an bu.
03:41
This is my daughter.
90
221260
2000
Bu benim kızım.
03:43
This is as of 9 a.m. this morning.
91
223260
2000
Burada saat sabah 9:00,
03:45
She's playing a computer game.
92
225260
2000
ve o bilgisayarda oyun oynuyor.
03:47
She's only two years old,
93
227260
2000
Henüz sadece iki yaşında,
03:49
and she's having a blast.
94
229260
2000
ve acayip eğleniyor.
03:51
So she's really the driving force
95
231260
3000
Grafik işlemci geliştirme birimlerinin
03:54
behind the development of graphics-processing units.
96
234260
3000
arkasındaki itici güç gerçekte o.
03:58
As long as kids are playing computer games,
97
238260
2000
Çocuklar bilgisayar oynamaya devam ettikleri sürece
04:00
graphics is getting better and better and better.
98
240260
2000
grafikler her geçen gün daha iyiye gidecektir.
04:02
So please go back home, tell your kids to play more games,
99
242260
2000
Bu nedenle eve gidince, çocuklarınıza bilgisayarda oyun oynamalarını söyleyin.
04:04
because that's what I need.
100
244260
2000
Çünkü ihtiyacımız olan şey bu.
04:06
So what's inside of this machine
101
246260
2000
Bakın, bu makinenin içinde
04:08
is what enables me to do the things that I'm doing
102
248260
2000
tıbbi verilerle yaptığım bu işleri
04:10
with the medical data.
103
250260
2000
yapmamı sağlayan düzenek mevcut.
04:12
So really what I'm doing is using these fantastic little devices.
104
252260
3000
Aslında kullandıklarım bu ufak müthiş cihazlar.
04:15
And you know, going back
105
255260
2000
Biliyorsunuz ya, geçmişe gidecek olursak
04:17
maybe 10 years in time
106
257260
2000
belki de 10 yıl geriye,
04:19
when I got the funding
107
259260
2000
ilk grafik bilgisayarımı almamı sağlayan
04:21
to buy my first graphics computer --
108
261260
2000
ödeneği aldığım zamana.
04:23
it was a huge machine.
109
263260
2000
O zamanlar bunlar dev gibi makinelerdi.
04:25
It was cabinets of processors and storage and everything.
110
265260
3000
İşlemciler, yedekleyiciler kocaman dolaplardı.
04:28
I paid about one million dollars for that machine.
111
268260
3000
Bu makine için yaklaşık bir milyon dolar ödemiştim.
04:32
That machine is, today, about as fast as my iPhone.
112
272260
3000
Bu makine, yaklaşık benim bugün kullandığım iPhone hızında.
04:37
So every month there are new graphics cards coming out,
113
277260
2000
Her ay yeni bir görüntü kartı piyasaya çıkıyor.
04:39
and here is a few of the latest ones from the vendors --
114
279260
3000
Burada tedarikçilerin son makinelerinden örnekler var --
04:42
NVIDIA, ATI, Intel is out there as well.
115
282260
3000
NVIDIA, ATI, Intel de bunlardan biri.
04:45
And you know, for a few hundred bucks
116
285260
2000
Biliyorsunuz, birkaç yüz dolar verirseniz
04:47
you can get these things and put them into your computer,
117
287260
2000
bunlardan birini alıp evdeki bilgisayarınıza takabilir
04:49
and you can do fantastic things with these graphics cards.
118
289260
3000
ve bu görüntü kartları ile muhteşem şeyler yapabilirsiniz.
04:52
So this is really what's enabling us
119
292260
2000
Bizim, tıp alanındaki patlama yapan
04:54
to deal with the explosion of data in medicine,
120
294260
3000
veri ile uğraşmamızı sağlayan şey bu,
04:57
together with some really nifty work
121
297260
2000
algoritma içeren hoş birkaç
04:59
in terms of algorithms --
122
299260
2000
iş ile birlikte --
05:01
compressing data,
123
301260
2000
veri sıkıştırma ve
05:03
extracting the relevant information that people are doing research on.
124
303260
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
306260
3000
Size neler yapabildiğimize ilişkin birkaç örnek vermek istiyorum.
05:09
This is a data set that was captured using a CT scanner.
126
309260
3000
Bu veri seti bir BT tarayıcı kullanılarak elde edildi.
05:12
You can see that this is a full data [set].
127
312260
3000
Bunun eksiksiz bir veri olduğunu görüyorsunuz.
05:15
It's a woman. You can see the hair.
128
315260
3000
O bir kadın. Saçları görebiliyorsunuz.
05:18
You can see the individual structures of the woman.
129
318260
3000
Kadının vücudunun detaylarını seçebilirsiniz.
05:21
You can see that there is [a] scattering of X-rays
130
321260
3000
Burada, dişlerde X-ışını saçılımlarını
05:24
on the teeth, the metal in the teeth.
131
324260
2000
görebilirsiniz, bunlar dişlerdeki metaller.
05:26
That's where those artifacts are coming from.
132
326260
3000
Bu artifaktlar buradan geliyor.
05:29
But fully interactively
133
329260
2000
Ama aynen normal bir bilgisayardaki
05:31
on standard graphics cards on a normal computer,
134
331260
3000
standart bir grafik kartı gibi,
05:34
I can just put in a clip plane.
135
334260
2000
verileri bir klip haline getirebilirim.
05:36
And of course all the data is inside,
136
336260
2000
Elbette bütün veri burada, içinde.
05:38
so I can start rotating, I can look at it from different angles,
137
338260
3000
Böylece sağa sola çevirebilir, istediğim açılardan bakabilirim.
05:41
and I can see that this woman had a problem.
138
341260
3000
Bakınca bu kadının bir sorunu olduğunu görebiliyorum.
05:44
She had a bleeding up in the brain,
139
344260
2000
Beyninde bir kanama var.
05:46
and that's been fixed with a little stent,
140
346260
2000
Ufak bir stent ile tamir edilmiş,
05:48
a metal clamp that's tightening up the vessel.
141
348260
2000
yani damarı tıkayan bir metal kliple.
05:50
And just by changing the functions,
142
350260
2000
Fonksiyonları değiştirerek,
05:52
then I can decide what's going to be transparent
143
352260
3000
neyin saydam olacağını, neyin görünür
05:55
and what's going to be visible.
144
355260
2000
olacağını ayarlayabilirim.
05:57
I can look at the skull structure,
145
357260
2000
Kafatasının yapısına bakabilirim,
05:59
and I can see that, okay, this is where they opened up the skull on this woman,
146
359260
3000
bu kadının kafatasını açtıkları yeri görebilirim,
06:02
and that's where they went in.
147
362260
2000
ve işte beyine buradan girmişler.
06:04
So these are fantastic images.
148
364260
2000
Yani bunlar muhteşem görüntüler.
06:06
They're really high resolution,
149
366260
2000
Yüksek çözünürlüklü görüntüler,
06:08
and they're really showing us what we can do
150
368260
2000
ve bugün standart bir grafik kartı ile
06:10
with standard graphics cards today.
151
370260
3000
neler yapabileceğimizi gösteriyorlar.
06:13
Now we have really made use of this,
152
373260
2000
Bunları pekçok yerde kullandık ve
06:15
and we have tried to squeeze a lot of data
153
375260
3000
sisteme epey veri yüklemeye
06:18
into the system.
154
378260
2000
çalıştık.
06:20
And one of the applications that we've been working on --
155
380260
2000
Üzerinde uğraştığımız uygulamalardan biri de --
06:22
and this has gotten a little bit of traction worldwide --
156
382260
3000
ki bu dünya çapında epey ilgi çekti --
06:25
is the application of virtual autopsies.
157
385260
2000
bu verilerin sanal otopsilerde kullanılması.
06:27
So again, looking at very, very large data sets,
158
387260
2000
Anımsayın, çok ama çok büyük veri setlerine baktınız ve
06:29
and you saw those full-body scans that we can do.
159
389260
3000
bizim bu tüm-vücut taraması ile neler yapabildiğimizi gördünüz.
06:32
We're just pushing the body through the whole CT scanner,
160
392260
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
395260
3000
ve birkaç saat içinde tüm-vücut veri seti elde edebiliyoruz.
06:38
So this is from a virtual autopsy.
162
398260
2000
Bu görüntü, bir sanal otopsiden.
06:40
And you can see how I'm gradually peeling off.
163
400260
2000
Nasıl kat kat soyulduğunu görebiliyorsunuz.
06:42
First you saw the body bag that the body came in,
164
402260
3000
İlk gördüğünüz vücudun içinde geldiği ceset torbası,
06:45
then I'm peeling off the skin -- you can see the muscles --
165
405260
3000
sonra deriyi soyuyorum --kasları görebilirsiniz--
06:48
and eventually you can see the bone structure of this woman.
166
408260
3000
sonunda bu kadının kemiklerine kadar ineceksiniz.
06:51
Now at this point, I would also like to emphasize
167
411260
3000
Bu noktada, size şimdi göstereceğim kişilerin
06:54
that, with the greatest respect
168
414260
2000
görüntülerine büyük bir saygı duyduğumu
06:56
for the people that I'm now going to show --
169
416260
2000
belirtmek isterim.
06:58
I'm going to show you a few cases of virtual autopsies --
170
418260
2000
Size birkaç sanal otopsi örneği göstereceğim --
07:00
so it's with great respect for the people
171
420260
2000
göstereceğim örneklerde yer alan
07:02
that have died under violent circumstances
172
422260
2000
vahşice öldürülen bu insanlara
07:04
that I'm showing these pictures to you.
173
424260
3000
büyük saygı duyduğumu belirtmek isterim.
07:08
In the forensic case --
174
428260
2000
Adli bir vakada --
07:10
and this is something
175
430260
2000
ki geçtiğimiz dört yıl içinde
07:12
that ... there's been approximately 400 cases so far
176
432260
2000
benim de yaşadığım İsveç'in bu bölgesinde
07:14
just in the part of Sweden that I come from
177
434260
2000
her yıl sanal otopsi yapılan
07:16
that has been undergoing virtual autopsies
178
436260
2000
yaklaşık 400 vaka
07:18
in the past four years.
179
438260
2000
mevcut.
07:20
So this will be the typical workflow situation.
180
440260
3000
Bu vakalardaki tipik iş akışı şöyledir.
07:23
The police will decide --
181
443260
2000
Polis akşamdan vakalara karar verir
07:25
in the evening, when there's a case coming in --
182
445260
2000
bir vaka geldiğinde --
07:27
they will decide, okay, is this a case where we need to do an autopsy?
183
447260
3000
tamam derler, bu otopsi yapılması gereken bir vaka.
07:30
So in the morning, in between six and seven in the morning,
184
450260
3000
Böylece, sabahleyin, saat 6 ile 7 arasında
07:33
the body is then transported inside of the body bag
185
453260
2000
cesetler, ceset torbalarının içinde
07:35
to our center
186
455260
2000
merkezimize getirilirler ve
07:37
and is being scanned through one of the CT scanners.
187
457260
2000
BT tarayıcılarından biri ile taranırlar.
07:39
And then the radiologist, together with the pathologist
188
459260
2000
Daha sonra radyolog ve patolog,
07:41
and sometimes the forensic scientist,
189
461260
2000
bazen de adli tıp uzmanı
07:43
looks at the data that's coming out,
190
463260
2000
bir araya gelirler ve
07:45
and they have a joint session.
191
465260
2000
çıkan verilere bakarlar.
07:47
And then they decide what to do in the real physical autopsy after that.
192
467260
3000
Ancak bundan sonra vakaya gerçek otopsi yapıp yapmamaya karar verilir.
07:52
Now looking at a few cases,
193
472260
2000
Birkaç örnek vakaya beraber bakalım.
07:54
here's one of the first cases that we had.
194
474260
2000
Bu ilk vakalarımızdan biri.
07:56
You can really see the details of the data set.
195
476260
3000
Veri setinin detaylarını gerçekten de görebilirsiniz;
07:59
It's very high-resolution,
196
479260
2000
çok yüksek çözünürlükte.
08:01
and it's our algorithms that allow us
197
481260
2000
Tüm detaylara yakın görüş imkanı sağlayan şey
08:03
to zoom in on all the details.
198
483260
2000
bizim algoritmalarımız.
08:05
And again, it's fully interactive,
199
485260
2000
Tekrar belirteyim, bunlar tamamen interaktif,
08:07
so you can rotate and you can look at things in real time
200
487260
2000
yani buradaki sistemleri döndürebilir ve
08:09
on these systems here.
201
489260
2000
istediğiniz şeye gerçek zamanlı olarak bakabilirsiniz.
08:11
Without saying too much about this case,
202
491260
2000
Bu vaka hakkında çok birşey söylemeye gerek yok,
08:13
this is a traffic accident,
203
493260
2000
bu bir trafik kazası,
08:15
a drunk driver hit a woman.
204
495260
2000
alkollü bir sürücü bu kadına çarpmış.
08:17
And it's very, very easy to see the damages on the bone structure.
205
497260
3000
Kemik yapılarındaki hasarı görmek çok ama çok kolay.
08:20
And the cause of death is the broken neck.
206
500260
3000
Ölüm nedeni boyun kırılması.
08:23
And this women also ended up under the car,
207
503260
2000
Aynı zamanda araba bu kadının üzerinden de geçmiş,
08:25
so she's quite badly beaten up
208
505260
2000
bu kaza gerçekten onu
08:27
by this injury.
209
507260
2000
çok ciddi şekilde zedelemiş.
08:29
Here's another case, a knifing.
210
509260
3000
Bu başka bir vaka, bir bıçaklanma.
08:32
And this is also again showing us what we can do.
211
512260
2000
Bu vaka da neler yapabileceğimizi çok iyi gösteriyor.
08:34
It's very easy to look at metal artifacts
212
514260
2000
Vücut içinde kalan metal kalıntılarına
08:36
that we can show inside of the body.
213
516260
3000
bakmamız çok kolay.
08:39
You can also see some of the artifacts from the teeth --
214
519260
3000
Dişlerde de bazı artifaktlar görüyorsunuz --
08:42
that's actually the filling of the teeth --
215
522260
2000
bunlar diş dolguları --
08:44
but because I've set the functions to show me metal
216
524260
3000
bunları görüyorsunuz çünkü ayarları sadece metalleri gösterecek
08:47
and make everything else transparent.
217
527260
2000
ve bunun dışındaki herşeyi şeffaflaştıracak hale getirdim.
08:49
Here's another violent case. This really didn't kill the person.
218
529260
3000
Bu bir başka şiddet vakası. Bu kişiyi öldüren şey bu değil.
08:52
The person was killed by stabs in the heart,
219
532260
2000
Bu kişi, kalbinden bıçaklandığı için ölmüş,
08:54
but they just deposited the knife
220
534260
2000
ama katiller işleri bitince bıçağı
08:56
by putting it through one of the eyeballs.
221
536260
2000
göz kürelerinden birine saplayıp bırakmışlar.
08:58
Here's another case.
222
538260
2000
Bu başka bir vaka.
09:00
It's very interesting for us
223
540260
2000
Bizim için, bu tip bıçaklanma olaylarına
09:02
to be able to look at things like knife stabbings.
224
542260
2000
böyle bakabiliyor olmak çok ilginç.
09:04
Here you can see that knife went through the heart.
225
544260
3000
Burada bıçağın kalbi nasıl deldiğini görüyorsunuz.
09:07
It's very easy to see how air has been leaking
226
547260
2000
Havanın bir taraftan diğer tarafa sızdığını görmek
09:09
from one part to another part,
227
549260
2000
çok kolay.
09:11
which is difficult to do in a normal, standard, physical autopsy.
228
551260
3000
Ki bunu görmek standart bir otopside çok zordur.
09:14
So it really, really helps
229
554260
2000
Bu teknik, adli kovuşturmada
09:16
the criminal investigation
230
556260
2000
ölüm nedenini bulma konusunda
09:18
to establish the cause of death,
231
558260
2000
çok ama çok yardımcı olup,
09:20
and in some cases also directing the investigation in the right direction
232
560260
3000
bazı vakalarda soruşturmanın doğru yöne gitmesini sağlayarak
09:23
to find out who the killer really was.
233
563260
2000
katilin bulunmasına yardımcı oluyor.
09:25
Here's another case that I think is interesting.
234
565260
2000
Benim ilginç bulduğum bir başka vaka.
09:27
Here you can see a bullet
235
567260
2000
Burada, bu kişinin
09:29
that has lodged just next to the spine on this person.
236
569260
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
572260
3000
yaptığımız kurşunu bir ışık kaynağı haline getirmek,
09:35
so that bullet is actually shining,
238
575260
2000
böylece ışıldıyor ve
09:37
and it makes it really easy to find these fragments.
239
577260
3000
onu bu parçalar arasında bulmak kolaylaşıyor.
09:40
During a physical autopsy,
240
580260
2000
Fiziksel bir otopside,
09:42
if you actually have to dig through the body to find these fragments,
241
582260
2000
bu parçaları bulmak için organların arasını eşelemeniz gerekir,
09:44
that's actually quite hard to do.
242
584260
2000
ki bu oldukça zor bir şeydir.
09:48
One of the things that I'm really, really happy
243
588260
2000
Bugün, burada size göstermekten
09:50
to be able to show you here today
244
590260
3000
mutluluk duyduğum şeylerden biri de
09:53
is our virtual autopsy table.
245
593260
2000
bizim sanal otopsi masamız.
09:55
It's a touch device that we have developed
246
595260
2000
Bu algoritmaları baz alarak ve standart grafik GPU'ları kullanarak
09:57
based on these algorithms, using standard graphics GPUs.
247
597260
3000
geliştirdiğimiz bir dokunmatik cihaz.
10:00
It actually looks like this,
248
600260
2000
Aslında şöyle birşey,
10:02
just to give you a feeling for what it looks like.
249
602260
3000
size nasıl olduğunu anlatmak istiyorum.
10:05
It really just works like a huge iPhone.
250
605260
3000
Dev bir iPhone gibi çalışıyor aslında.
10:08
So we've implemented
251
608260
2000
Bir masada yapacağınız tüm hareketleri
10:10
all the gestures you can do on the table,
252
610260
3000
buna uyarladık. Bunu dev
10:13
and you can think of it as an enormous touch interface.
253
613260
4000
bir dokunmatik arayüz olarak düşünün.
10:17
So if you were thinking of buying an iPad,
254
617260
2000
Yani eğer bir iPad almayı planlıyorsanız,
10:19
forget about it. This is what you want instead.
255
619260
3000
boşverin, onun yerine bunu alın.
10:22
Steve, I hope you're listening to this, all right.
256
622260
3000
Steve, umarım sen de izliyorsundur bunu.
10:26
So it's a very nice little device.
257
626260
2000
Yani bu çok hoş bir cihaz.
10:28
So if you have the opportunity, please try it out.
258
628260
2000
Eğer bir fırsat bulursanız mutlaka deneyin.
10:30
It's really a hands-on experience.
259
630260
3000
Bizzat yaşanması gereken bir deneyim.
10:33
So it gained some traction, and we're trying to roll this out
260
633260
3000
Biraz ilgi yarattık, şimdi bunu yaygınlaştırmaya ve
10:36
and trying to use it for educational purposes,
261
636260
2000
eğitim amaçlı kullanılmasını sağlamaya çalışıyoruz,
10:38
but also, perhaps in the future,
262
638260
2000
hatta ileride belki
10:40
in a more clinical situation.
263
640260
3000
klinik ortamda da kullanılabilir.
10:43
There's a YouTube video that you can download and look at this,
264
643260
2000
Bu bilgiyi başkaları ile de paylaşmak isterseniz
10:45
if you want to convey the information to other people
265
645260
2000
You Tube'da sanal otopsilerle ilgili bir video var,
10:47
about virtual autopsies.
266
647260
3000
izleyebilir veya yükleyebilirsiniz.
10:50
Okay, now that we're talking about touch,
267
650260
2000
Peki, dokunmaktan bahsediyorduk,
10:52
let me move on to really "touching" data.
268
652260
2000
veriye gerçekten dokunmaya geçelim.
10:54
And this is a bit of science fiction now,
269
654260
2000
Bunun biraz bilim kurgu gibi göründüğünü biliyorum,
10:56
so we're moving into really the future.
270
656260
3000
işte şimdi geleceğe doğru bakıyoruz.
10:59
This is not really what the medical doctors are using right now,
271
659260
3000
Bu, doktorların şu an kullanmakta olduğu bir şey değil,
11:02
but I hope they will in the future.
272
662260
2000
ama umuyorum gelecekte olacak.
11:04
So what you're seeing on the left is a touch device.
273
664260
3000
Solda gördüğünüz bir dokunmatik cihaz.
11:07
It's a little mechanical pen
274
667260
2000
Küçük mekanik bir kalem.
11:09
that has very, very fast step motors inside of the pen.
275
669260
3000
Bu kalemin içinde çok hızlı step motorları var,
11:12
And so I can generate a force feedback.
276
672260
2000
böylelikle bir güç geribildiriminde bulunabiliyor.
11:14
So when I virtually touch data,
277
674260
2000
Yani gerçek anlamda veriye dokunduğum zaman,
11:16
it will generate forces in the pen, so I get a feedback.
278
676260
3000
bu, kalemde dokunma kuvvetleri yaratacak, ve ben bir geribildirim alacağım.
11:19
So in this particular situation,
279
679260
2000
Bu örnekte, veri,
11:21
it's a scan of a living person.
280
681260
2000
yaşayan bir insanın tomografisi.
11:23
I have this pen, and I look at the data,
281
683260
3000
Elimde bu kalemle veriye bakıyorum,
11:26
and I move the pen towards the head,
282
686260
2000
kalemi kafaya doğru yaklaştırıyorum,
11:28
and all of a sudden I feel resistance.
283
688260
2000
birden bir engel hissediyorum elimde.
11:30
So I can feel the skin.
284
690260
2000
Böylelikle deriyi hissedebiliyorum.
11:32
If I push a little bit harder, I'll go through the skin,
285
692260
2000
Biraz daha kuvvetle bastırırsam, deriyi geçebilirim,
11:34
and I can feel the bone structure inside.
286
694260
3000
ve içerideki kemik yapıyı hissedebilirim.
11:37
If I push even harder, I'll go through the bone structure,
287
697260
2000
Daha da hızlı bastırırsam, kemik yapının da içine girebilirim,
11:39
especially close to the ear where the bone is very soft.
288
699260
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
702260
3000
Daha sonra içerideki beyin dokusunu hissedebilirim, böyle yumuşak bir hissi olacaktır.
11:45
So this is really nice.
290
705260
2000
Bu gerçekten çok güzel.
11:47
And to take that even further, this is a heart.
291
707260
3000
Daha da ileri gidecek olursak, bu kalp.
11:50
And this is also due to these fantastic new scanners,
292
710260
3000
Gene bu yeni tarayıcılar sayesinde,
11:53
that just in 0.3 seconds,
293
713260
2000
sadece 0.3 saniyede
11:55
I can scan the whole heart,
294
715260
2000
tüm kalbi tarayabilirim.
11:57
and I can do that with time resolution.
295
717260
2000
Bunu zaman çözünürlüklü yapabilirim.
11:59
So just looking at this heart,
296
719260
2000
Böylece kalbe bakarken,
12:01
I can play back a video here.
297
721260
2000
bu videoyu çalıştırabilirim.
12:03
And this is Karljohan, one of my graduate students
298
723260
2000
Bu Karljohan, bu projede çalışan
12:05
who's been working on this project.
299
725260
2000
doktora öğrencilerimden biri.
12:07
And he's sitting there in front of the Haptic device, the force feedback system,
300
727260
3000
Burada, Haptic cihazının, bu güç geribildirimi cihazının önünde oturuyor,
12:10
and he's moving his pen towards the heart,
301
730260
3000
elindeki kalemi kalbe yaklaştırıyor,
12:13
and the heart is now beating in front of him,
302
733260
2000
şu an kalp önünde atıyor,
12:15
so he can see how the heart is beating.
303
735260
2000
böylelikle kalbin nasıl attığını görebiliyor.
12:17
He's taken the pen, and he's moving it towards the heart,
304
737260
2000
Kalemi aline alıp kalbe doğru yaklaştırıyor,
12:19
and he's putting it on the heart,
305
739260
2000
kalbe dokunuyor,
12:21
and then he feels the heartbeats from the real living patient.
306
741260
3000
ve yaşayan bir hastanın kalp atışlarını hissedebiliyor.
12:24
Then he can examine how the heart is moving.
307
744260
2000
Böylece kalbin hareketlerini inceleyebilir.
12:26
He can go inside, push inside of the heart,
308
746260
2000
Kalbin içine girip, içeriden dokunabilir,
12:28
and really feel how the valves are moving.
309
748260
3000
ve kalp kapaklarının nasıl hareket ettiğini hissedebilir.
12:31
And this, I think, is really the future for heart surgeons.
310
751260
3000
Bence bu, kalp cerrahlarının geleceği.
12:34
I mean it's probably the wet dream for a heart surgeon
311
754260
3000
Büyük ihtimalle kalp cerrahlarının fantazilerini bu cihaz süslüyordur,
12:37
to be able to go inside of the patient's heart
312
757260
3000
ameliyat yapmadan önce,
12:40
before you actually do surgery,
313
760260
2000
hastanın kalbinin içine girip bakmak,
12:42
and do that with high-quality resolution data.
314
762260
2000
hem de yüksek çözünürlüklü veri ile.
12:44
So this is really neat.
315
764260
2000
Gerçekten fantazi.
12:47
Now we're going even further into science fiction.
316
767260
3000
Şimdi bilim kurgu alanına biraz daha girelim.
12:50
And we heard a little bit about functional MRI.
317
770260
3000
Daha önce işlevsel MRI ile ilgili birşeyler duymuştuk.
12:53
Now this is really an interesting project.
318
773260
3000
Şimdi bu gerçekten ilginç bir proje.
12:56
MRI is using magnetic fields
319
776260
2000
MRI, beyni ya da vücudun herhangi bir yerini
12:58
and radio frequencies
320
778260
2000
görüntüleyebilmek için
13:00
to scan the brain, or any part of the body.
321
780260
3000
radyo dalgaları ya da manyetik alanlar kullanıyor.
13:03
So what we're really getting out of this
322
783260
2000
Burada bizim esas elde ettiğimiz şey
13:05
is information of the structure of the brain,
323
785260
2000
beynin yapısına ait bilgi elde etmek.
13:07
but we can also measure the difference
324
787260
2000
Fakat, aynı zamanda oksijen bakımından zengin kan ile
13:09
in magnetic properties of blood that's oxygenated
325
789260
3000
oksijeni az olan kan arasındaki
13:12
and blood that's depleted of oxygen.
326
792260
3000
manyetik özellikler farkını da ölçebiliriz.
13:15
That means that it's possible
327
795260
2000
Bu demek oluyor ki, beyin
13:17
to map out the activity of the brain.
328
797260
2000
faaliyetlerinin haritasını çıkarabiliriz.
13:19
So this is something that we've been working on.
329
799260
2000
Şu anda üzerinde çalıştığımız şey bu.
13:21
And you just saw Motts the research engineer, there,
330
801260
3000
Burada gördüğünüz Motts, bizim araştırma mühendisimiz
13:24
going into the MRI system,
331
804260
2000
MRI cihazına giriyor.
13:26
and he was wearing goggles.
332
806260
2000
Gözünde gözlükler var.
13:28
So he could actually see things in the goggles.
333
808260
2000
Bu gözlüklerle, tarayıcı içindeyken görebilir,
13:30
So I could present things to him while he's in the scanner.
334
810260
3000
ben de ona tarayıcıdayken birşeyler gösterebilirim.
13:33
And this is a little bit freaky,
335
813260
2000
Bu biraz ürkütücü,
13:35
because what Motts is seeing is actually this.
336
815260
2000
çünkü Motts aslında bunu görüyor.
13:37
He's seeing his own brain.
337
817260
3000
Kendi beynini.
13:40
So Motts is doing something here,
338
820260
2000
Motts burada birşeyler yapıyor.
13:42
and probably he is going like this with his right hand,
339
822260
2000
Muhtemelen sağ eliyle böyle yapıyor,
13:44
because the left side is activated
340
824260
2000
çünkü sol taraf
13:46
on the motor cortex.
341
826260
2000
motor korteks tarafından aktif durumda.
13:48
And then he can see that at the same time.
342
828260
2000
Aynı zamanda bunu da görebiliyor.
13:50
These visualizations are brand new.
343
830260
2000
Bu görseller çok yeni.
13:52
And this is something that we've been researching for a little while.
344
832260
3000
Son zamanlarda araştırdığımız şeylerden biri de bu.
13:55
This is another sequence of Motts' brain.
345
835260
3000
Bu gördüğünüz Motts'un beyninin bir başka aktivitesi.
13:58
And here we asked Motts to calculate backwards from 100.
346
838260
3000
Burada Motts'dan 100'den başlayarak geriye saymasını istedik.
14:01
So he's going "100, 97, 94."
347
841260
2000
"100, 97, 94...." diye sayıyor.
14:03
And then he's going backwards.
348
843260
2000
Geriye doğru sayarken,
14:05
And you can see how the little math processor is working up here in his brain
349
845260
3000
beynin şurasındaki ufak matematik işlemcisinin çalıştığını ve
14:08
and is lighting up the whole brain.
350
848260
2000
bütün beyni aydınlattığını görebilirsiniz.
14:10
Well this is fantastic. We can do this in real time.
351
850260
2000
Muhteşem bir şey. Gerçek zamanlı olarak yapabiliriz bunu.
14:12
We can investigate things. We can tell him to do things.
352
852260
2000
Bazı şeyleri araştırabilir. Ona birşeyler yapmasını söyleyebiliriz.
14:14
You can also see that his visual cortex
353
854260
2000
Aynız amanda kafasının arka kısmındaki
14:16
is activated in the back of the head,
354
856260
2000
görme alanının da aktif hale geldiğini görüyorsunuz,
14:18
because that's where he's seeing, he's seeing his own brain.
355
858260
2000
çünkü baktığı şey bu, kendi beynine bakıyor.
14:20
And he's also hearing our instructions
356
860260
2000
Aynı zamanda biz ona birşeyler yapmasını söylediğimizde
14:22
when we tell him to do things.
357
862260
2000
bizim komutlarımızı da duyuyor.
14:24
The signal is really deep inside of the brain as well,
358
864260
2000
Bu sinyal beynin epey derinlerinde olmasına rağmen,
14:26
and it's shining through,
359
866260
2000
ışıltısı görülebiliyor,
14:28
because all of the data is inside this volume.
360
868260
2000
bunun nedeni buradaki yüksek veri miktarı.
14:30
And in just a second here you will see --
361
870260
2000
Biraz sonra şunu göreceksiniz --
14:32
okay, here. Motts, now move your left foot.
362
872260
2000
Tamam, burada. Motts sol ayağını oynatıyor.
14:34
So he's going like this.
363
874260
2000
Böyle yapıyor.
14:36
For 20 seconds he's going like that,
364
876260
2000
20 saniye boyunca böyle yapıyor,
14:38
and all of a sudden it lights up up here.
365
878260
2000
birden yukarılarda bir yer ışıldamaya başlıyor.
14:40
So we've got motor cortex activation up there.
366
880260
2000
Burada aktive olan yer motor korteks.
14:42
So this is really, really nice,
367
882260
2000
Bu gerçekten çok ama çok hoş.
14:44
and I think this is a great tool.
368
884260
2000
ve bence müthiş bir cihaz.
14:46
And connecting also with the previous talk here,
369
886260
2000
Bir önceki konuşmaya bir bağlantı yapacak olursam,
14:48
this is something that we could use as a tool
370
888260
2000
bu sinir hücrelerinin, beynin nasıl çalıştığını
14:50
to really understand
371
890260
2000
gerçekten de
14:52
how the neurons are working, how the brain is working,
372
892260
2000
anlamamıza yarayacak bir cihaz.
14:54
and we can do this with very, very high visual quality
373
894260
3000
Ve bunu çok ama çok iyi bir çözünürlükle ve
14:57
and very fast resolution.
374
897260
3000
görüntü kalitesiyle yapabiliriz.
15:00
Now we're also having a bit of fun at the center.
375
900260
2000
Bizim merkezimizde arada eğlendiğimiz zamanlar da oluyor.
15:02
So this is a CAT scan -- Computer Aided Tomography.
376
902260
3000
Bu bir Bilgisayar Destekli Tomografi ( CAT scan).
15:06
So this is a lion from the local zoo
377
906260
2000
Bu yerel hayvanat bahçesinden bir aslan,
15:08
outside of Norrkoping in Kolmarden, Elsa.
378
908260
3000
Norrkoping'in heme dışından, Elsa, Kolmarden'den.
15:11
So she came to the center,
379
911260
2000
Bizim merkezimize geldi,
15:13
and they sedated her
380
913260
2000
onu uyuşturdular ve
15:15
and then put her straight into the scanner.
381
915260
2000
hemen tarayıcının içine koydular.
15:17
And then, of course, I get the whole data set from the lion.
382
917260
3000
Elbette, bu aslana ait tüm veri setini ben de edindim.
15:20
And I can do very nice images like this.
383
920260
2000
Ve bu verilerle çok hoş görüntüler elde edebilirim.
15:22
I can peel off the layer of the lion.
384
922260
2000
Aslanın üzerinden bir tabaka sıyırabilirim.
15:24
I can look inside of it.
385
924260
2000
Onun içine bakabilirim.
15:26
And we've been experimenting with this.
386
926260
2000
Bununla epey bir deney yaptık.
15:28
And I think this is a great application
387
928260
2000
Bence, bu cihaz, bu teknolojinin
15:30
for the future of this technology,
388
930260
2000
geleceği için çok önemli.
15:32
because there's very little known about the animal anatomy.
389
932260
3000
Çünkü, hayvan anatomisi hakkında çok az şey biliniyor.
15:35
What's known out there for veterinarians is kind of basic information.
390
935260
3000
Veterinerler, çok basit ve temel şeyleri biliyorlar.
15:38
We can scan all sorts of things,
391
938260
2000
Her şeyi tarayıcıya sokabiliriz,
15:40
all sorts of animals.
392
940260
2000
her tür hayvanı.
15:42
The only problem is to fit it into the machine.
393
942260
3000
Tek sorun makineye sığıdarabilmek.
15:45
So here's a bear.
394
945260
2000
Burada bir ayı var.
15:47
It was kind of hard to get it in.
395
947260
2000
Makineye sokmak biraz zor oldu.
15:49
And the bear is a cuddly, friendly animal.
396
949260
3000
Ayı sevecen, yumoş bir hayvan değil mi?
15:52
And here it is. Here is the nose of the bear.
397
952260
3000
İşte burada. Ayının burnunu görüyorsunuz.
15:55
And you might want to cuddle this one,
398
955260
3000
Ama fonksiyonları değiştirip de öyle bakarsanız
15:58
until you change the functions and look at this.
399
958260
3000
onu artık pek yumoş bulmayabilirsiniz.
16:01
So be aware of the bear.
400
961260
2000
Ayılara dikkat edin.
16:03
So with that,
401
963260
2000
Bu noktada,
16:05
I'd like to thank all the people
402
965260
2000
bu görüntüleri oluşturmama yardımcı olan
16:07
who have helped me to generate these images.
403
967260
2000
herkese çok teşekkür etmek istiyorum.
16:09
It's a huge effort that goes into doing this,
404
969260
2000
Bunu yapmak çok büyük bir emek gerektirdi,
16:11
gathering the data and developing the algorithms,
405
971260
3000
verileri toplamak, algoritmaları geliştirmek,
16:14
writing all the software.
406
974260
2000
bütün bu yazılımı yapmak.
16:16
So, some very talented people.
407
976260
3000
Hepsi çok yetenekli insanlar.
16:19
My motto is always, I only hire people that are smarter than I am
408
979260
3000
Benim prensibim her zaman, benden daha zeki insanları işe almak olmuştur
16:22
and most of these are smarter than I am.
409
982260
2000
ve bu kişilerin çoğu benden çok daha zeki.
16:24
So thank you very much.
410
984260
2000
Hepinize çok teşekkür ederim.
16:26
(Applause)
411
986260
4000
(Alkışlar)
Bu web sitesi hakkında

Bu site size İngilizce öğrenmek için yararlı olan YouTube videolarını tanıtacaktır. Dünyanın dört bir yanından birinci sınıf öğretmenler tarafından verilen İngilizce derslerini göreceksiniz. Videoyu oradan oynatmak için her video sayfasında görüntülenen İngilizce altyazılara çift tıklayın. Altyazılar video oynatımı ile senkronize olarak kayar. Herhangi bir yorumunuz veya isteğiniz varsa, lütfen bu iletişim formunu kullanarak bizimle iletişime geçin.

https://forms.gle/WvT1wiN1qDtmnspy7