ABOUT THE SPEAKER
Anders Ynnerman - Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction.

Why you should listen

Professor Anders Ynnerman received a Ph.D. in physics from Gothenburg University. During the early 90s he was doing research at Oxford University and Vanderbilt University. In 1996 he started the Swedish National Graduate School in Scientific Computing, which he directed until 1999. From 1997 to 2002 he directed the Swedish National Supercomputer Centre and from 2002 to 2006 he directed the Swedish National Infrastructure for Computing (SNIC).

Since 1999 he is holding a chair in scientific visualization at Linköping University and in 2000 he founded the Norrköping Visualization and Interaction Studio (NVIS). NVIS currently constitutes one of the main focal points for research and education in computer graphics and visualization in the Nordic region. Ynnerman is currently heading the build-up of a large scale center for Visualization in Norrköping.

More profile about the speaker
Anders Ynnerman | Speaker | TED.com
TEDxGöteborg 2010

Anders Ynnerman: Visualizing the medical data explosion

Άντερς Ινέρμαν: Απεικονίζοντας την έκρηξη των ιατρικών δεδομένων

Filmed:
539,883 views

Σήμερα οι ιατρικές σαρώσεις παράγουν χιλιάδες εικόνες και terabytes δεδομένων για έναν ασθενή μέσα σε λίγα δευτερόλεπτα, αλλά πώς οι γιατροί αναλύουν αυτή την πληροφορία και προσδιορίζουν τι είναι χρήσιμο; Στο TEDxGöteborg, ο ειδικός στην επιστημονική απεικόνιση Άντερς Ινέρμαν μας παρουσιάζει εξελιγμένα νέα εργαλεία -- όπως εικονικές αυτοψίες -- για την ανάλυση των άπειρων δεδομένων, και μία ματιά σε μερικές τύπου επιστημονικής φαντασίας ιατρικές τεχνολογίες που είναι σε ανάπτυξη. Αυτή η ομιλία περιέχει μερικές γραφικές ιατρικές εικόνες.
- Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction. Full bio

Double-click the English transcript below to play the video.

00:15
I will startαρχή by posingθέτοντας a little bitκομμάτι of a challengeπρόκληση:
0
0
4000
Θα ξεκινήσω θέτοντας μία πρόκληση,
00:19
the challengeπρόκληση of dealingμοιρασιά with dataδεδομένα,
1
4000
3000
την πρόκληση της διαχείρισης δεδομένων,
00:22
dataδεδομένα that we have to dealσυμφωνία with
2
7000
2000
δεδομένων που πρέπει να διαχειριστούμε
00:24
in medicalιατρικός situationsκαταστάσεις.
3
9000
2000
σε ιατρικές περιστάσεις.
00:26
It's really a hugeτεράστιος challengeπρόκληση for us.
4
11000
2000
Είναι πραγματικά μία τεράστια πρόκληση για μας
00:28
And this is our beastθηρίο of burdenβάρος --
5
13000
2000
και αυτό είναι το υποζύγιό μας.
00:30
this is a ComputerΥπολογιστή TomographyΤομογραφία machineμηχανή,
6
15000
2000
Αυτό είναι ένα μηχάνημα υπολογιστικής αξονικής τομογραφίας --
00:32
a CTΑΞΟΝΙΚΉ ΤΟΜΟΓΡΑΦΊΑ machineμηχανή.
7
17000
2000
ένα μηχάνημα ΥΤ.
00:34
It's a fantasticφανταστικός deviceσυσκευή.
8
19000
2000
Είναι μία φανταστική συσκευή.
00:36
It usesχρήσεις X-raysΑκτίνες χ, X-rayΑκτινογραφία beamsδοκάρια,
9
21000
2000
Χρησιμοποιεί ακτίνες Χ, δέσμες ακτίνων Χ,
00:38
that are rotatingΠεριστρεφόμενη very fastγρήγορα around the humanο άνθρωπος bodyσώμα.
10
23000
3000
οι οποίες περιστρέφονται πολύ γρήγορα γύρω από το ανθρώπινο σώμα.
00:41
It takes about 30 secondsδευτερολέπτων to go throughδιά μέσου the wholeολόκληρος machineμηχανή
11
26000
2000
Παίρνει περίπου 30 δευτερόλεπτα για να περάσει μέσα από όλο το μηχάνημα
00:43
and is generatingδημιουργώντας enormousτεράστιος amountsποσά of informationπληροφορίες
12
28000
2000
και παράγει τεράστιες ποσότητες πληροφοριών
00:45
that comesέρχεται out of the machineμηχανή.
13
30000
2000
που εξάγονται από το μηχάνημα.
00:47
So this is a fantasticφανταστικός machineμηχανή
14
32000
2000
Άρα είναι ένα φανταστικό μηχάνημα
00:49
that we can use
15
34000
2000
που μπορούμε να χρησιμοποιήσουμε
00:51
for improvingβελτίωση healthυγεία careΦροντίδα,
16
36000
2000
για να βελτιώσουμε την υγειονομική περίθαλψη.
00:53
but as I said, it's alsoεπίσης a challengeπρόκληση for us.
17
38000
2000
Άλλα όπως είπα, είναι επίσης μια πρόκληση για μας.
00:55
And the challengeπρόκληση is really foundβρέθηκαν in this pictureεικόνα here.
18
40000
3000
Και η πρόκληση πραγματικά φαίνεται σε αυτή την εικόνα.
00:58
It's the medicalιατρικός dataδεδομένα explosionέκρηξη
19
43000
2000
Είναι η έκρηξη των ιατρικών δεδομένων
01:00
that we're havingέχοντας right now.
20
45000
2000
που συμβαίνει τώρα.
01:02
We're facingαντιμέτωπος this problemπρόβλημα.
21
47000
2000
Αντιμετωπίζουμε αυτό το πρόβλημα.
01:04
And let me stepβήμα back in time.
22
49000
2000
Και επιτρέψτε μου να πάω λίγο πίσω στο χρόνο.
01:06
Let's go back a fewλίγοι yearsχρόνια in time and see what happenedσυνέβη back then.
23
51000
3000
Ας πάμε λίγα χρόνια πίσω και να δούμε τι συνέβαινε τότε.
01:09
These machinesμηχανές that cameήρθε out --
24
54000
2000
Αυτά τα μηχανήματα που εμφανίστηκαν --
01:11
they startedξεκίνησε comingερχομός in the 1970s --
25
56000
2000
άρχισαν να εμφανίζονται την δεκαετία του 1970 --
01:13
they would scanσάρωση humanο άνθρωπος bodiesσώματα,
26
58000
2000
σάρωναν ανθρώπινα σώματα,
01:15
and they would generateπαράγω about 100 imagesεικόνες
27
60000
2000
και παρήγαγαν περίπου 100 εικόνες
01:17
of the humanο άνθρωπος bodyσώμα.
28
62000
2000
από το ανθρώπινο σώμα.
01:19
And I've takenληφθεί the libertyελευθερία, just for clarityσαφήνεια,
29
64000
2000
Και πήρα την πρωτοβουλία, για σαφήνεια,
01:21
to translateμεταφράζω that to dataδεδομένα slicesφέτες.
30
66000
3000
να τις μετατρέψω σε φέτες δεδομένων.
01:24
That would correspondαντιστοιχούν to about 50 megabytesΜΒ of dataδεδομένα,
31
69000
2000
Αυτό αποτελείται από περίπου 50 MB δεδομένων,
01:26
whichοι οποίες is smallμικρό
32
71000
2000
το οποίο είναι μικρό
01:28
when you think about the dataδεδομένα we can handleλαβή todayσήμερα
33
73000
3000
αν σκεφτείς την ποσότητα δεδομένων που μπορούμε να διαχειριστούμε σήμερα
01:31
just on normalκανονικός mobileκινητό devicesσυσκευές.
34
76000
2000
σε απλές φορητές συσκευές.
01:33
If you translateμεταφράζω that to phoneτηλέφωνο booksβιβλία,
35
78000
2000
Αν μεταφράσεις αυτό σε τηλεφωνικούς καταλόγους,
01:35
it's about one meterμετρητής of phoneτηλέφωνο booksβιβλία in the pileσωρός.
36
80000
3000
είναι περίπου μία στοίβα ενός μέτρου από τηλεφωνικούς καταλόγους.
01:38
Looking at what we're doing todayσήμερα
37
83000
2000
Κοιτώντας τι κάνουμε σήμερα
01:40
with these machinesμηχανές that we have,
38
85000
2000
με τα μηχανήματα που έχουμε σήμερα,
01:42
we can, just in a fewλίγοι secondsδευτερολέπτων,
39
87000
2000
μπορούμε, μέσα σε λίγα δευτερόλεπτα,
01:44
get 24,000 imagesεικόνες out of a bodyσώμα,
40
89000
2000
να πάρουμε 24.000 εικόνες από ένα σώμα.
01:46
and that would correspondαντιστοιχούν to about 20 gigabytesgigabytes of dataδεδομένα,
41
91000
3000
Και αυτό θα αντιστοιχεί σε περίπου 20 GB δεδομένων,
01:49
or 800 phoneτηλέφωνο booksβιβλία,
42
94000
2000
ή 800 τηλεφωνικούς καταλόγους.
01:51
and the pileσωρός would then be 200 metersμέτρα of phoneτηλέφωνο booksβιβλία.
43
96000
2000
Και η στοίβα θα είναι περίπου 200 μέτρα από τηλεφωνικούς καταλόγους.
01:53
What's about to happenσυμβεί --
44
98000
2000
Το τι πρόκειται να γίνει --
01:55
and we're seeingβλέπων this; it's beginningαρχή --
45
100000
2000
και το βλέπουμε, είναι η αρχή --
01:57
a technologyτεχνολογία trendτάση that's happeningσυμβαίνει right now
46
102000
2000
μία τεχνολογική τάση η οποία συμβαίνει τώρα
01:59
is that we're startingεκκίνηση to look at time-resolvedχρόνος-επιλυθεί situationsκαταστάσεις as well.
47
104000
3000
είναι ότι ξεκινάμε επίσης να βλέπουμε αποτελέσματα σε σχέση με το χρόνο.
02:02
So we're gettingνα πάρει the dynamicsδυναμική out of the bodyσώμα as well.
48
107000
3000
Άρα επίσης παίρνουμε και τη δυναμική του σώματος.
02:05
And just assumeυποθέτω
49
110000
2000
Και ας υποθέσουμε
02:07
that we will be collectingπερισυλλογή dataδεδομένα duringστη διάρκεια fiveπέντε secondsδευτερολέπτων,
50
112000
3000
ότι θα συλλέξουμε δεδομένα για πέντε δευτερόλεπτα,
02:10
and that would correspondαντιστοιχούν to one terabyteterabyte of dataδεδομένα --
51
115000
2000
και αυτό θα αντιστοιχεί σε ένα terabyte δεδομένων.
02:12
that's 800,000 booksβιβλία
52
117000
2000
Αυτό είναι 800.000 βιβλία
02:14
and 16 kilometersχιλιόμετρα of phoneτηλέφωνο booksβιβλία.
53
119000
2000
και 16 χιλιόμετρα από τηλεφωνικούς καταλόγους.
02:16
That's one patientυπομονετικος, one dataδεδομένα setσειρά.
54
121000
2000
Αυτό είναι για έναν ασθενή, ένα σύνολο δεδομένων.
02:18
And this is what we have to dealσυμφωνία with.
55
123000
2000
Και αυτό είναι που πρέπει να επεξεργαστούμε.
02:20
So this is really the enormousτεράστιος challengeπρόκληση that we have.
56
125000
3000
Άρα αυτό είναι μια πραγματική πρόκληση που έχουμε
02:23
And alreadyήδη todayσήμερα -- this is 25,000 imagesεικόνες.
57
128000
3000
Και ήδη σήμερα -- αυτό είναι 25.000 εικόνες.
02:26
ImagineΦανταστείτε the daysημέρες
58
131000
2000
Φανταστείτε τις ημέρες
02:28
when we had radiologistsΑκτινολόγοι doing this.
59
133000
2000
που είχαμε ακτινολόγους να το κάνουν αυτό.
02:30
They would put up 25,000 imagesεικόνες,
60
135000
2000
Θα αναρτούσαν 25.000 εικόνες,
02:32
they would go like this, "25,0000, okay, okay.
61
137000
3000
θα έκαναν το εξής, "25.000, εντάξει, εντάξει.
02:35
There is the problemπρόβλημα."
62
140000
2000
Υπάρχει ένα πρόβλημα."
02:37
They can't do that anymoreπια. That's impossibleαδύνατο.
63
142000
2000
Δεν μπορούν να το κάνουν αυτό πια, είναι αδύνατον.
02:39
So we have to do something that's a little bitκομμάτι more intelligentέξυπνος than doing this.
64
144000
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 slicesφέτες togetherμαζί.
65
148000
2000
Άρα αυτό που κάνουμε είναι να βάλουμε όλες αυτές τις φέτες μαζί.
02:45
ImagineΦανταστείτε that you sliceφέτα your bodyσώμα in all these directionsκατευθύνσεις,
66
150000
3000
Φανταστείτε ότι τεμαχίζετε το σώμα σας σε όλες αυτές τις κατευθύνσεις,
02:48
and then you try to put the slicesφέτες back togetherμαζί again
67
153000
3000
και μετά προσπαθείτε να βάλετε τις φέτες πάλι μαζί
02:51
into a pileσωρός of dataδεδομένα, into a blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ of dataδεδομένα.
68
156000
2000
σε μία στοίβα δεδομένων, σε μία δομή δεδομένων.
02:53
So this is really what we're doing.
69
158000
2000
Επομένως αυτό είναι τι πραγματικά κάνουμε.
02:55
So this gigabytegigabyte or terabyteterabyte of dataδεδομένα, we're puttingβάζοντας it into this blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ.
70
160000
3000
Άρα αυτό το gigabyte ή terabyte δεδομένων, το βάζουμε σε αυτή τη δομή.
02:58
But of courseσειρά μαθημάτων, the blockΟΙΚΟΔΟΜΙΚΟ ΤΕΤΡΑΓΩΝΟ of dataδεδομένα
71
163000
2000
Αλλά φυσικά, η δομή δεδομένων
03:00
just containsπεριέχει the amountποσό of X-rayΑκτινογραφία
72
165000
2000
απλά περιέχει το σύνολο των ακτίνων Χ
03:02
that's been absorbedαπορροφηθεί in eachκαθε pointσημείο in the humanο άνθρωπος bodyσώμα.
73
167000
2000
που έχουν απορροφηθεί από το κάθε σημείο στο ανθρώπινο σώμα.
03:04
So what we need to do is to figureεικόνα out a way
74
169000
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
171000
3000
για να κοιτάμε τα πράγματα που θέλουμε να κοιτάξουμε
03:09
and make things transparentδιαφανής that we don't want to look at.
76
174000
3000
και να κάνουμε διαφανή τα πράγματα που δεν θέλουμε να κοιτάξουμε.
03:12
So transformingμετατρέποντας the dataδεδομένα setσειρά
77
177000
2000
Άρα μετατρέποντας το σύνολο δεδομένων
03:14
into something that looksφαίνεται like this.
78
179000
2000
σε κάτι που μοιάζει σαν και αυτό.
03:16
And this is a challengeπρόκληση.
79
181000
2000
Και αυτό είναι μία πρόκληση.
03:18
This is a hugeτεράστιος challengeπρόκληση for us to do that.
80
183000
3000
Είναι μία τεράστια πρόκληση για μας για να γίνει αυτό.
03:21
UsingΧρησιμοποιώντας computersΥπολογιστές, even thoughαν και they're gettingνα πάρει fasterγρηγορότερα and better all the time,
81
186000
3000
Χρησιμοποιώντας υπολογιστές, αν και τώρα γίνονται γρηγορότεροι και καλύτεροι,
03:24
it's a challengeπρόκληση to dealσυμφωνία with gigabytesgigabytes of dataδεδομένα,
82
189000
2000
είναι πρόκληση η διαχείριση giagabyte δεδομένων,
03:26
terabytesterabytes of dataδεδομένα
83
191000
2000
terabyte δεδομένων
03:28
and extractingεξόρυξη the relevantσχετικό informationπληροφορίες.
84
193000
2000
και η εξόρυξη της σχετικής πληροφορίας.
03:30
I want to look at the heartκαρδιά.
85
195000
2000
Θέλω να κοιτάξω την καρδιά,
03:32
I want to look at the bloodαίμα vesselsσκαφών. I want to look at the liverσυκώτι.
86
197000
2000
θέλω να κοιτάξω τα αιμοφόρα αγγεία, θέλω να κοιτάξω το συκώτι,
03:34
Maybe even find a tumorόγκος,
87
199000
2000
Ισως ακόμα να βρω έναν όγκο
03:36
in some casesπεριπτώσεις.
88
201000
2000
σε κάποιες περιπτώσεις.
03:39
So this is where this little dearαγαπητός comesέρχεται into playπαίζω.
89
204000
2000
Έτσι εδώ είναι που μπαίνει στο παιχνίδι αυτή η μικρή αγαπητή.
03:41
This is my daughterκόρη.
90
206000
2000
Αυτή είναι η κόρη μου.
03:43
This is as of 9 a.m. this morningπρωί.
91
208000
2000
Αυτό είναι από τις 9:00 πμ αυτό το πρωί.
03:45
She's playingπαιχνίδι a computerυπολογιστή gameπαιχνίδι.
92
210000
2000
Παίζει ένα παιχνίδι στον υπολογιστή.
03:47
She's only two yearsχρόνια oldπαλαιός,
93
212000
2000
Είναι μόνο δύο χρονών,
03:49
and she's havingέχοντας a blastέκρηξη.
94
214000
2000
και περνάει καταπληκτικά.
03:51
So she's really the drivingοδήγηση forceδύναμη
95
216000
3000
Άρα αυτή είναι η πραγματική ώθηση
03:54
behindπίσω the developmentανάπτυξη of graphics-processingεπεξεργασία γραφικών unitsμονάδες.
96
219000
3000
πίσω από την ανάπτυξη επεξεργαστών γραφικών.
03:58
As long as kidsπαιδιά are playingπαιχνίδι computerυπολογιστή gamesΠαιχνίδια,
97
223000
2000
Όσο τα παιδιά παίζουν παιχνίδια στον υπολογιστή,
04:00
graphicsγραφικά is gettingνα πάρει better and better and better.
98
225000
2000
τα γραφικά γίνονται όλο και καλύτερα.
04:02
So please go back home, tell your kidsπαιδιά to playπαίζω more gamesΠαιχνίδια,
99
227000
2000
Άρα παρακαλώ πηγαίνετε πίσω στο σπίτι, πείτε τα παιδιά σας να παίζουν περισσότερα παιχνίδια,
04:04
because that's what I need.
100
229000
2000
γιατί αυτό είναι αυτό που χρειάζομαι.
04:06
So what's insideμέσα of this machineμηχανή
101
231000
2000
Άρα αυτό που είναι μέσα σε αυτή τη μηχανή
04:08
is what enablesδίνει τη δυνατότητα me to do the things that I'm doing
102
233000
2000
είναι αυτό που με δίνει την δυνατότητα να κάνω τα πράματα που κάνω
04:10
with the medicalιατρικός dataδεδομένα.
103
235000
2000
με τα ιατρικά δεδομένα.
04:12
So really what I'm doing is usingχρησιμοποιώντας these fantasticφανταστικός little devicesσυσκευές.
104
237000
3000
Άρα πραγματικά αυτό που κάνω είναι να χρησιμοποιώ αυτές τις φανταστικές μικρές συσκευές.
04:15
And you know, going back
105
240000
2000
Και ξέρετε, πηγαίνοντας πίσω
04:17
maybe 10 yearsχρόνια in time
106
242000
2000
ίσως 10 χρόνια
04:19
when I got the fundingχρηματοδότηση
107
244000
2000
όταν πήρα την χρηματοδότηση
04:21
to buyαγορά my first graphicsγραφικά computerυπολογιστή --
108
246000
2000
για να αγοράσω τον πρώτο μου υπολογιστή γραφικών.
04:23
it was a hugeτεράστιος machineμηχανή.
109
248000
2000
Ήταν ένα τεράστιο μηχάνημα.
04:25
It was cabinetsγραφεία of processorsεπεξεργαστές and storageαποθήκευση and everything.
110
250000
3000
Ήταν ντουλάπια από επεξεργαστές και μνήμη και τα πάντα.
04:28
I paidεπί πληρωμή about one millionεκατομμύριο dollarsδολάρια for that machineμηχανή.
111
253000
3000
Πλήρωσα περίπου ένα εκατομμύριο δολάρια για εκείνο το μηχάνημα.
04:32
That machineμηχανή is, todayσήμερα, about as fastγρήγορα as my iPhoneiPhone.
112
257000
3000
Εκείνο το μηχάνημα, σήμερα, είναι περίπου τόσο γρήγορο όσο το iPhone μου.
04:37
So everyκάθε monthμήνας there are newνέος graphicsγραφικά cardsκαρτέλλες comingερχομός out,
113
262000
2000
Άρα κάθε μήνα βγαίνουν νέες κάρτες γραφικών.
04:39
and here is a fewλίγοι of the latestαργότερο onesαυτές from the vendorsπωλητές --
114
264000
3000
Και εδώ είναι μερικές από τις τελευταίες από τους κατασκευαστές --
04:42
NVIDIANVIDIA, ATIATI, IntelIntel is out there as well.
115
267000
3000
NVIDIA, ATI, Intel κυκλοφορούν επίσης.
04:45
And you know, for a fewλίγοι hundredεκατό bucksδολάρια
116
270000
2000
Και ξέρετε, με μερικά εκατοντάδες δολάρια
04:47
you can get these things and put them into your computerυπολογιστή,
117
272000
2000
μπορείτε να πάρετε αυτά τα πράγματα και να τα βάλετε στον υπολογιστή σας,
04:49
and you can do fantasticφανταστικός things with these graphicsγραφικά cardsκαρτέλλες.
118
274000
3000
και μπορείτε να κάνετε φανταστικά πράγματα με αυτές τις κάρτες γραφικών.
04:52
So this is really what's enablingενεργοποίηση us
119
277000
2000
Άρα αυτό είναι αυτό που πραγματικά μας δίνει την δυνατότητα
04:54
to dealσυμφωνία with the explosionέκρηξη of dataδεδομένα in medicineφάρμακο,
120
279000
3000
να αντιμετωπίσουμε την έκρηξη των δεδομένων στην ιατρική,
04:57
togetherμαζί with some really niftyΦίνος work
121
282000
2000
μαζί με κάποια καλή δουλειά
04:59
in termsόροι of algorithmsαλγορίθμους --
122
284000
2000
από την άποψη αλγορίθμων --
05:01
compressingσυμπίεση dataδεδομένα,
123
286000
2000
συμπίεση δεδομένων,
05:03
extractingεξόρυξη the relevantσχετικό informationπληροφορίες that people are doing researchέρευνα on.
124
288000
3000
εξαγωγή της σχετικής πληροφορίας που οι άνθρωποι κάνουν έρευνα.
05:06
So I'm going to showπροβολή you a fewλίγοι examplesπαραδείγματα of what we can do.
125
291000
3000
Λοιπόν θα σας δείξω μερικά παραδείγματα για το τι μπορούμε να κάνουμε.
05:09
This is a dataδεδομένα setσειρά that was capturedσυλληφθεί usingχρησιμοποιώντας a CTΑΞΟΝΙΚΉ ΤΟΜΟΓΡΑΦΊΑ scannerερευνητής.
126
294000
3000
Αυτό είναι μία δομή δεδομένων που πήραμε χρησιμοποιώντας έναν αξονικό τομογράφο.
05:12
You can see that this is a fullγεμάτος dataδεδομένα [setσειρά].
127
297000
3000
Μπορείτε να δείτε ότι πρόκειται για πλήρη δεδομένα.
05:15
It's a womanγυναίκα. You can see the hairμαλλιά.
128
300000
3000
Είναι μία γυναίκα. Μπορείτε να δείτε τα μαλλιά.
05:18
You can see the individualάτομο structuresδομές of the womanγυναίκα.
129
303000
3000
Μπορείτε να δείτε τις μεμονωμένες δομές της γυναίκας.
05:21
You can see that there is [a] scatteringδιασκόρπιση of X-raysΑκτίνες χ
130
306000
3000
Μπορείτε να δείτε μία διασκόρπιση ακτίνων Χ
05:24
on the teethτα δόντια, the metalμέταλλο in the teethτα δόντια.
131
309000
2000
στα δόντια, το μέταλλο μέσα στα δόντια.
05:26
That's where those artifactsχειροποίητα αντικείμενα are comingερχομός from.
132
311000
3000
Από εκεί προέρχονται αυτά τα τεχνουργήματα.
05:29
But fullyπλήρως interactivelyδιαδραστικά
133
314000
2000
Αλλά πλήρως διαδραστικά
05:31
on standardπρότυπο graphicsγραφικά cardsκαρτέλλες on a normalκανονικός computerυπολογιστή,
134
316000
3000
με μία τυπική κάρτα γραφικών σε έναν απλό υπολογιστή,
05:34
I can just put in a clipσυνδετήρας planeεπίπεδο.
135
319000
2000
μπορώ απλά να βάλω μία επιφάνεια.
05:36
And of courseσειρά μαθημάτων all the dataδεδομένα is insideμέσα,
136
321000
2000
Και φυσικά όλα τα δεδομένα είναι μέσα,
05:38
so I can startαρχή rotatingΠεριστρεφόμενη, I can look at it from differentδιαφορετικός anglesγωνίες,
137
323000
3000
άρα μπορώ να ξεκινήσω να περιστρέφω, μπορώ να το δω από διαφορετικές γωνίες,
05:41
and I can see that this womanγυναίκα had a problemπρόβλημα.
138
326000
3000
και μπορώ να δω ότι αυτή η γυναίκα είχε ένα πρόβλημα.
05:44
She had a bleedingΑιμορραγία up in the brainεγκέφαλος,
139
329000
2000
Έχει μία αιμορραγία στον εγκέφαλο,
05:46
and that's been fixedσταθερός with a little stentστεντ,
140
331000
2000
και φτιάχτηκε με ένα μικρό ράμμα,
05:48
a metalμέταλλο clampΣφιγκτήρας that's tighteningσύσφιξη up the vesselσκάφος.
141
333000
2000
ένας μεταλλικός σφιγκτήρας που σφίγγει το αγγείο.
05:50
And just by changingαλλάζοντας the functionsλειτουργίες,
142
335000
2000
Και απλά αλλάζοντας τις συναρτήσεις,
05:52
then I can decideαποφασίζω what's going to be transparentδιαφανής
143
337000
3000
μετά μπορώ να αποφασίσω τι θα είναι διαφανές
05:55
and what's going to be visibleορατός.
144
340000
2000
και το τι θα είναι ορατό.
05:57
I can look at the skullκρανίο structureδομή,
145
342000
2000
Μπορώ να κοιτάξω τη δομή του κρανίου,
05:59
and I can see that, okay, this is where they openedάνοιξε up the skullκρανίο on this womanγυναίκα,
146
344000
3000
και μπορώ να δω ότι, εντάξει, εδώ είναι εκεί που άνοιξαν το κρανίο της γυναίκας,
06:02
and that's where they wentπήγε in.
147
347000
2000
και εδώ είναι από που μπήκαν μέσα.
06:04
So these are fantasticφανταστικός imagesεικόνες.
148
349000
2000
Άρα αυτές είναι φανταστικές εικόνες.
06:06
They're really highυψηλός resolutionανάλυση,
149
351000
2000
Είναι πραγματικά υψηλής ανάλυσης,
06:08
and they're really showingεπίδειξη us what we can do
150
353000
2000
και πραγματικά μας δείχνουν τι μπορούμε να κάνουμε
06:10
with standardπρότυπο graphicsγραφικά cardsκαρτέλλες todayσήμερα.
151
355000
3000
με τυπικές κάρτες γραφικών σήμερα.
06:13
Now we have really madeέκανε use of this,
152
358000
2000
Πραγματικά τώρα έχουμε κάνει χρήση αυτών,
06:15
and we have triedδοκιμασμένος to squeezeσφίξιμο a lot of dataδεδομένα
153
360000
3000
και προσπαθήσαμε να στριμώξουμε πολλά δεδομένα
06:18
into the systemΣύστημα.
154
363000
2000
στο σύστημα.
06:20
And one of the applicationsεφαρμογών that we'veέχουμε been workingεργαζόμενος on --
155
365000
2000
Και μία από τις εφαρμογές που δουλεύουμε --
06:22
and this has gottenπήρε a little bitκομμάτι of tractionέλξη worldwideΠαγκόσμιος --
156
367000
3000
και αυτό έχει κερδίσει κάποια αποδοχή παγκοσμίως --
06:25
is the applicationεφαρμογή of virtualεικονικός autopsiesαυτοψίες.
157
370000
2000
είναι η εφαρμογή των εικονικών αυτοψιών.
06:27
So again, looking at very, very largeμεγάλο dataδεδομένα setsσκηνικά,
158
372000
2000
Έτσι πάλι, κοιτώντας σε πολύ, πολύ μεγάλα σύνολα δεδομένων,
06:29
and you saw those full-bodyπλήρης-σωμάτων scansσαρώνει that we can do.
159
374000
3000
και είδατε τις σαρώσεις πλήρως σώματος που μπορούμε να κάνουμε.
06:32
We're just pushingπιέζοντας the bodyσώμα throughδιά μέσου the wholeολόκληρος CTΑΞΟΝΙΚΉ ΤΟΜΟΓΡΑΦΊΑ scannerερευνητής,
160
377000
3000
Απλά περνάμε όλο το σώμα μέσα από τον σαρωτή ΥΤ,
06:35
and just in a fewλίγοι secondsδευτερολέπτων we can get a full-bodyπλήρης-σωμάτων dataδεδομένα setσειρά.
161
380000
3000
και μέσα σε λίγα δευτερόλεπτα μπορούμε να πάρουμε ένα σύνολο δεδομένων για ένα πλήρες σώμα.
06:38
So this is from a virtualεικονικός autopsyαυτοψία.
162
383000
2000
Λοιπόν αυτό είναι από μία εικονική αυτοψία.
06:40
And you can see how I'm graduallyσταδιακά peelingξεφλούδισμα off.
163
385000
2000
Και μπορείτε να δείτε ότι ξεφλουδίζω σταδιακά.
06:42
First you saw the bodyσώμα bagτσάντα that the bodyσώμα cameήρθε in,
164
387000
3000
Πρώτα βλέπετε τον σάκο μέσα στον οποίο ήρθε το σώμα,
06:45
then I'm peelingξεφλούδισμα off the skinδέρμα -- you can see the musclesμυς --
165
390000
3000
μετά ξεφλουδίζω το δέρμα -- μπορείτε να δείτε τους μυείς --
06:48
and eventuallyτελικά you can see the boneοστό structureδομή of this womanγυναίκα.
166
393000
3000
και τελικά μπορείτε να δείτε τη δομή των οστών της γυναίκας.
06:51
Now at this pointσημείο, I would alsoεπίσης like to emphasizeτονίζω
167
396000
3000
Τώρα σε αυτό το σημείο, θα ήθελα να τονίσω
06:54
that, with the greatestμεγαλύτερη respectΣεβασμός
168
399000
2000
ότι, με το μεγαλύτερο σεβασμό
06:56
for the people that I'm now going to showπροβολή --
169
401000
2000
για τους ανθρώπους που θα σας δείξω τώρα --
06:58
I'm going to showπροβολή you a fewλίγοι casesπεριπτώσεις of virtualεικονικός autopsiesαυτοψίες --
170
403000
2000
θα σας δείξω μερικές περιπτώσεις εικονικών αυτοψιών --
07:00
so it's with great respectΣεβασμός for the people
171
405000
2000
άρα είναι με μεγάλο σεβασμό για τους ανθρώπους
07:02
that have diedπέθανε underκάτω από violentβίαιος circumstancesπεριστάσεις
172
407000
2000
που πέθαναν κάτω από βίαιες συνθήκες
07:04
that I'm showingεπίδειξη these picturesεικόνες to you.
173
409000
3000
που σας δείχνω τις εικόνες.
07:08
In the forensicδικανικός caseπερίπτωση --
174
413000
2000
Στην εγκληματολογική υπόθεση --
07:10
and this is something
175
415000
2000
και αυτό είναι κάτι
07:12
that ... there's been approximatelyκατά προσέγγιση 400 casesπεριπτώσεις so farμακριά
176
417000
2000
που υπάρχουν περίπου 400 υποθέσεις μέχρι τώρα
07:14
just in the partμέρος of SwedenΣουηδία that I come from
177
419000
2000
μόνο από το μέρος της Σουηδίας από όπου προέρχομαι
07:16
that has been undergoingπου υποβάλλονται σε virtualεικονικός autopsiesαυτοψίες
178
421000
2000
που γίνονται εικονικές αυτοψίες
07:18
in the pastτο παρελθόν fourτέσσερα yearsχρόνια.
179
423000
2000
τα τελευταία τέσσερα χρόνια.
07:20
So this will be the typicalτυπικός workflowροή εργασίας situationκατάσταση.
180
425000
3000
Άρα αυτό είναι μία τυπική περίπτωση ροής εργασίας.
07:23
The policeαστυνομία will decideαποφασίζω --
181
428000
2000
Η αστυνομία θα αποφασίσει --
07:25
in the eveningαπόγευμα, when there's a caseπερίπτωση comingερχομός in --
182
430000
2000
το απόγευμα, όταν έρχεται μία υπόθεση --
07:27
they will decideαποφασίζω, okay, is this a caseπερίπτωση where we need to do an autopsyαυτοψία?
183
432000
3000
θα αποφασίσουν, εντάξει, αν είναι μία υπόθεση που χρειάζεται να κάνουμε αυτοψία.
07:30
So in the morningπρωί, in betweenμεταξύ sixέξι and sevenεπτά in the morningπρωί,
184
435000
3000
Έτσι το πρωί, μεταξύ έξι και επτά το πρωί,
07:33
the bodyσώμα is then transportedμεταφέρονται insideμέσα of the bodyσώμα bagτσάντα
185
438000
2000
το σώμα μεταφέρεται μέσα στο σάκο
07:35
to our centerκέντρο
186
440000
2000
στο κέντρο μας
07:37
and is beingνα εισαι scannedσάρωση throughδιά μέσου one of the CTΑΞΟΝΙΚΉ ΤΟΜΟΓΡΑΦΊΑ scannersσαρωτές.
187
442000
2000
και σαρώνεται με έναν από τους αξονικούς τομογράφους.
07:39
And then the radiologistΑκτινολόγος, togetherμαζί with the pathologistπαθολόγος
188
444000
2000
Και μετά ο ακτινολόγος, μαζί με τον παθολόγο
07:41
and sometimesωρες ωρες the forensicδικανικός scientistεπιστήμονας,
189
446000
2000
και μερικές φορές με τον εγκληματολόγο,
07:43
looksφαίνεται at the dataδεδομένα that's comingερχομός out,
190
448000
2000
εξετάζουν τα δεδομένα που εξάγονται,
07:45
and they have a jointάρθρωση sessionσυνεδρία.
191
450000
2000
και κάνουν μία σύσκεψη.
07:47
And then they decideαποφασίζω what to do in the realπραγματικός physicalφυσικός autopsyαυτοψία after that.
192
452000
3000
Και αποφασίζουν τι θα κάνουν μετά, στην πραγματική αυτοψία.
07:52
Now looking at a fewλίγοι casesπεριπτώσεις,
193
457000
2000
Τώρα κοιτώντας σε μερικές υποθέσεις,
07:54
here'sεδώ είναι one of the first casesπεριπτώσεις that we had.
194
459000
2000
εδώ είναι μία από τις πρώτες υποθέσεις που είχαμε.
07:56
You can really see the detailsΛεπτομέριες of the dataδεδομένα setσειρά.
195
461000
3000
Πραγματικά μπορείτε να δείτε τις λεπτομέρειες του συνόλου δεδομένων
07:59
It's very high-resolutionυψηλής ανάλυσης,
196
464000
2000
είναι πολύ υψηλής ανάλυσης.
08:01
and it's our algorithmsαλγορίθμους that allowεπιτρέπω us
197
466000
2000
Και είναι οι αλγόριθμοι μας που μας επιτρέπουν
08:03
to zoomανίπταμαι διαγωνίως in on all the detailsΛεπτομέριες.
198
468000
2000
να μεγεθύνουμε όλες τις λεπτομέρειες.
08:05
And again, it's fullyπλήρως interactiveδιαδραστικό,
199
470000
2000
Και ξανά, είναι πλήρως διαδραστικό.
08:07
so you can rotateγυρίζω and you can look at things in realπραγματικός time
200
472000
2000
άρα μπορείς να περιστρέψεις και να κοιτάξεις πράματα σε πραγματικό χρόνο
08:09
on these systemsσυστήματα here.
201
474000
2000
με αυτά τα συστήματα.
08:11
WithoutΧωρίς sayingρητό too much about this caseπερίπτωση,
202
476000
2000
Χωρίς να πω πολλά για αυτή την υπόθεση,
08:13
this is a trafficΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ accidentατύχημα,
203
478000
2000
αυτό είναι ένα τροχαίο ατύχημα,
08:15
a drunkμεθυσμένος driverοδηγός hitΚτύπημα a womanγυναίκα.
204
480000
2000
ένας μεθυσμένος οδηγός χτύπησε μία γυναίκα.
08:17
And it's very, very easyεύκολος to see the damagesζημιές on the boneοστό structureδομή.
205
482000
3000
Είναι πολύ, πολύ εύκολο να δούμε τις ζημίες στα κόκαλα.
08:20
And the causeαιτία of deathθάνατος is the brokenσπασμένος neckλαιμός.
206
485000
3000
Και ο λόγος θανάτου είναι σπασμένος λαιμός.
08:23
And this womenγυναίκες alsoεπίσης endedέληξε up underκάτω από the carαυτοκίνητο,
207
488000
2000
Και επίσης αυτή η γυναίκα κατέληξε κάτω από το αυτοκίνητο,
08:25
so she's quiteαρκετά badlyκακώς beatenχτυπημένος up
208
490000
2000
άρα είναι αρκετά άσχημα χτυπημένη
08:27
by this injuryβλάβη.
209
492000
2000
από αυτό το χτύπημα.
08:29
Here'sΕδώ είναι anotherαλλο caseπερίπτωση, a knifingknifing.
210
494000
3000
Εδώ είναι μία άλλη υπόθεση, ένα μαχαίρωμα.
08:32
And this is alsoεπίσης again showingεπίδειξη us what we can do.
211
497000
2000
Και αυτό πάλι μας δείχνει τι μπορούμε να κάνουμε.
08:34
It's very easyεύκολος to look at metalμέταλλο artifactsχειροποίητα αντικείμενα
212
499000
2000
Είναι πολύ εύκολο να κοιτάξουμε σε μεταλλικά τεχνουργήματα
08:36
that we can showπροβολή insideμέσα of the bodyσώμα.
213
501000
3000
που μπορούμε να δούμε μέσα στο σώμα.
08:39
You can alsoεπίσης see some of the artifactsχειροποίητα αντικείμενα from the teethτα δόντια --
214
504000
3000
Επίσης μπορείτε να δείτε μερικά από τα τεχνουργήματα από τα δόντια --
08:42
that's actuallyπράγματι the fillingπλήρωση of the teethτα δόντια --
215
507000
2000
που στην πραγματικότητα είναι τα σφραγίσματα στα δόντια --
08:44
but because I've setσειρά the functionsλειτουργίες to showπροβολή me metalμέταλλο
216
509000
3000
αλλά επειδή το έθεσα σε λειτουργία να δείχνει τα μέταλλα
08:47
and make everything elseαλλού transparentδιαφανής.
217
512000
2000
και να κάνει όλα τα υπόλοιπα διαφανή
08:49
Here'sΕδώ είναι anotherαλλο violentβίαιος caseπερίπτωση. This really didn't killσκοτώνω the personπρόσωπο.
218
514000
3000
Εδώ είναι μία ακόμα βίαιη υπόθεση. Αυτό δεν σκότωσε το άτομο.
08:52
The personπρόσωπο was killedσκοτώθηκαν by stabsτρυπήματα in the heartκαρδιά,
219
517000
2000
Το άτομο σκοτώθηκε από μαχαιριές στην καρδιά,
08:54
but they just depositedκατατίθενται the knifeμαχαίρι
220
519000
2000
απλά έβαλαν το μαχαίρι
08:56
by puttingβάζοντας it throughδιά μέσου one of the eyeballsμάτι.
221
521000
2000
διαμέσου από ένα από τα μάτια.
08:58
Here'sΕδώ είναι anotherαλλο caseπερίπτωση.
222
523000
2000
Εδώ είναι μία άλλη υπόθεση.
09:00
It's very interestingενδιαφέρων for us
223
525000
2000
Είναι πολύ ενδιαφέρον για μας
09:02
to be ableικανός to look at things like knifeμαχαίρι stabbingsμαχαιρώματα.
224
527000
2000
να μπορούμε να κοιτάμε πράματα όπως μαχαιρώματα.
09:04
Here you can see that knifeμαχαίρι wentπήγε throughδιά μέσου the heartκαρδιά.
225
529000
3000
Εδώ μπορείτε να δείτε ότι το μαχαίρι διαπέρασε την καρδιά.
09:07
It's very easyεύκολος to see how airαέρας has been leakingδιαρροή
226
532000
2000
Είναι πολύ εύκολο να δείτε πως διαρρέει αέρας
09:09
from one partμέρος to anotherαλλο partμέρος,
227
534000
2000
από το ένα μέρος στο άλλο,
09:11
whichοι οποίες is difficultδύσκολος to do in a normalκανονικός, standardπρότυπο, physicalφυσικός autopsyαυτοψία.
228
536000
3000
που είναι δύσκολο να γίνει σε μία κανονική, τυπική, φυσική αυτοψία.
09:14
So it really, really helpsβοηθάει
229
539000
2000
Γι΄ αυτό πραγματικά βοηθάει
09:16
the criminalεγκληματίας investigationέρευνα
230
541000
2000
την ποινική έρευνα
09:18
to establishεγκαθιδρύω the causeαιτία of deathθάνατος,
231
543000
2000
να διαπιστωθεί η αιτία θανάτου,
09:20
and in some casesπεριπτώσεις alsoεπίσης directingΣκηνοθεσία the investigationέρευνα in the right directionκατεύθυνση
232
545000
3000
και σε μερικές υποθέσεις επίσης κατευθύνει την έρευνα στην σωστή κατεύθυνση
09:23
to find out who the killerφονιάς really was.
233
548000
2000
για να βρει ποιος ήταν πραγματικά ο δολοφόνος.
09:25
Here'sΕδώ είναι anotherαλλο caseπερίπτωση that I think is interestingενδιαφέρων.
234
550000
2000
Εδώ είναι μία άλλη υπόθεση που πιστεύω είναι ενδιαφέρουσα
09:27
Here you can see a bulletσφαίρα
235
552000
2000
Εδώ μπορείτε να δείτε μία σφαίρα
09:29
that has lodgedπου κατέθεσε just nextεπόμενος to the spineΣΠΟΝΔΥΛΙΚΗ ΣΤΗΛΗ on this personπρόσωπο.
236
554000
3000
που σφήνωσε ακριβώς δίπλα από την σπονδυλική στήλη αυτού του ατόμου.
09:32
And what we'veέχουμε doneΈγινε is that we'veέχουμε turnedγύρισε the bulletσφαίρα into a lightφως sourceπηγή,
237
557000
3000
Και αυτό που κάναμε είναι να μετατρέψουμε την σφαίρα σε πηγή φωτός,
09:35
so that bulletσφαίρα is actuallyπράγματι shiningλάμψη,
238
560000
2000
ώστε η σφαίρα στην πραγματικότητα λάμπει,
09:37
and it makesκάνει it really easyεύκολος to find these fragmentsθραύσματα.
239
562000
3000
και το κάνει πραγματικά εύκολο να βρεις αυτά τα θραύσματα.
09:40
DuringΚατά τη διάρκεια a physicalφυσικός autopsyαυτοψία,
240
565000
2000
Κατά την διάρκεια μιας φυσικής αυτοψίας,
09:42
if you actuallyπράγματι have to digσκάβω throughδιά μέσου the bodyσώμα to find these fragmentsθραύσματα,
241
567000
2000
αν πραγματικά χρειαστεί να σκάψεις μέσα στο σώμα για να βρεις αυτά τα θραύσματα,
09:44
that's actuallyπράγματι quiteαρκετά hardσκληρά to do.
242
569000
2000
αυτό είναι κάτι πραγματικά δύσκολο για να το κάνεις.
09:48
One of the things that I'm really, really happyευτυχισμένος
243
573000
2000
Ένα από τα πράματα για τα οποία είμαι πραγματικά χαρούμενος
09:50
to be ableικανός to showπροβολή you here todayσήμερα
244
575000
3000
είναι ότι μπορώ να σας δείξω σήμερα
09:53
is our virtualεικονικός autopsyαυτοψία tableτραπέζι.
245
578000
2000
το εικονικό μας τραπέζι αυτοψίας.
09:55
It's a touchαφή deviceσυσκευή that we have developedαναπτηγμένος
246
580000
2000
Είναι μία συσκευή αφής που αναπτύξαμε
09:57
basedμε βάση on these algorithmsαλγορίθμους, usingχρησιμοποιώντας standardπρότυπο graphicsγραφικά GPUsGPU.
247
582000
3000
βασιζόμενοι σε αυτούς τους αλγορίθμους, χρησιμοποιώντας τυπικούς επεξεργαστές γραφικών.
10:00
It actuallyπράγματι looksφαίνεται like this,
248
585000
2000
Μοιάζει πραγματικά σαν και αυτό,
10:02
just to give you a feelingσυναισθημα for what it looksφαίνεται like.
249
587000
3000
απλά για να σας δώσω μία αίσθηση για το πως μοιάζει.
10:05
It really just worksεργοστάσιο like a hugeτεράστιος iPhoneiPhone.
250
590000
3000
Πραγματικά απλά δουλεύει σαν ένα μεγάλο iPhone.
10:08
So we'veέχουμε implementedεφαρμοστεί
251
593000
2000
Έτσι έχουμε υλοποιήσει
10:10
all the gesturesχειρονομίες you can do on the tableτραπέζι,
252
595000
3000
όλες τις χειρονομίες που μπορείς να κάνεις πάνω στο τραπέζι,
10:13
and you can think of it as an enormousτεράστιος touchαφή interfaceδιεπαφή.
253
598000
4000
και μπορείς να το σκεφτείς σαν μία τεράστια διεπαφή αφής.
10:17
So if you were thinkingσκέψη of buyingεξαγορά an iPadiPad,
254
602000
2000
Άρα άμα σκέφτεστε να αγοράσετε ένα iPad,
10:19
forgetξεχνάμε about it. This is what you want insteadαντι αυτου.
255
604000
3000
ξεχάστε το, αυτό είναι αυτό που θέλετε αντί για εκείνο.
10:22
SteveSteve, I hopeελπίδα you're listeningακούγοντας to this, all right.
256
607000
3000
Στιβ, ελπίζω να το ακούς αυτό, ωραία.
10:26
So it's a very niceόμορφη little deviceσυσκευή.
257
611000
2000
Επομένως είναι μία πολύ καλή μικρή συσκευή.
10:28
So if you have the opportunityευκαιρία, please try it out.
258
613000
2000
Άρα άμα έχετε την ευκαιρία, παρακαλώ δοκιμάστε το.
10:30
It's really a hands-onhands-on experienceεμπειρία.
259
615000
3000
Είναι μία ενεργή εμπειρία.
10:33
So it gainedκέρδισε some tractionέλξη, and we're tryingπροσπαθεί to rollρολό this out
260
618000
3000
Έτσι έχει κερδίσει κάποια αποδοχή, και προσπαθούμε να το προωθήσουμε
10:36
and tryingπροσπαθεί to use it for educationalεκπαιδευτικός purposesσκοποί,
261
621000
2000
και προσπαθούμε να το χρησιμοποιήσουμε για εκπαιδευτικούς σκοπούς,
10:38
but alsoεπίσης, perhapsίσως in the futureμελλοντικός,
262
623000
2000
αλλά επίσης, ίσως στο μέλλον,
10:40
in a more clinicalκλινικός situationκατάσταση.
263
625000
3000
σε περισσότερο κλινικές καταστάσεις.
10:43
There's a YouTubeYouTube videoβίντεο that you can downloadΚατεβάστε and look at this,
264
628000
2000
Υπάρχει ένα YouTube βίντεο που μπορείτε να κατεβάσετε και να δείτε,
10:45
if you want to conveyμεταφέρω, εκφράζω the informationπληροφορίες to other people
265
630000
2000
αν θέλετε να μεταφέρετε την πληροφορία σε άλλα άτομα
10:47
about virtualεικονικός autopsiesαυτοψίες.
266
632000
3000
για εικονικές αυτοψίες.
10:50
Okay, now that we're talkingομιλία about touchαφή,
267
635000
2000
Εντάξει, τώρα που μιλάμε για αφή,
10:52
let me moveκίνηση on to really "touchingαφορών" dataδεδομένα.
268
637000
2000
επιτρέψτε μου να προχωρήσω στην πραγματική αφή των δεδομένων.
10:54
And this is a bitκομμάτι of scienceεπιστήμη fictionμυθιστόρημα now,
269
639000
2000
Και αυτό τώρα είναι λίγο επιστημονική φαντασία,
10:56
so we're movingκίνηση into really the futureμελλοντικός.
270
641000
3000
άρα πραγματικά προχωράμε στο μέλλον.
10:59
This is not really what the medicalιατρικός doctorsτους γιατρούς are usingχρησιμοποιώντας right now,
271
644000
3000
Αυτό δεν είναι στην πραγματικότητα αυτό που χρησιμοποιούν οι γιατροί τώρα,
11:02
but I hopeελπίδα they will in the futureμελλοντικός.
272
647000
2000
και ελπίζω ότι θα το κάνουν στο μέλλον.
11:04
So what you're seeingβλέπων on the left is a touchαφή deviceσυσκευή.
273
649000
3000
Λοιπόν αυτό που βλέπετε στα αριστερά της συσκευής αφής
11:07
It's a little mechanicalμηχανικός penστυλό
274
652000
2000
είναι ένα μικρό μηχανικό στυλό
11:09
that has very, very fastγρήγορα stepβήμα motorsκινητήρες insideμέσα of the penστυλό.
275
654000
3000
που μέσα στο στυλό έχει πολύ, πολύ γρήγορους βηματικούς κινητήρες.
11:12
And so I can generateπαράγω a forceδύναμη feedbackανατροφοδότηση.
276
657000
2000
Και έτσι μπορώ να παράγω μία δύναμη ανάδρασης.
11:14
So when I virtuallyπρακτικώς touchαφή dataδεδομένα,
277
659000
2000
Άρα όταν εικονικά αγγίζω δεδομένα,
11:16
it will generateπαράγω forcesδυνάμεις in the penστυλό, so I get a feedbackανατροφοδότηση.
278
661000
3000
θα παράγει δυνάμεις αφής στο στυλό, ώστε να πάρω μία ανάδραση.
11:19
So in this particularιδιαιτερος situationκατάσταση,
279
664000
2000
Επομένως στην συγκεκριμένη περίπτωση,
11:21
it's a scanσάρωση of a livingζωή personπρόσωπο.
280
666000
2000
είναι μία σάρωση ενός ζωντανού ανθρώπου.
11:23
I have this penστυλό, and I look at the dataδεδομένα,
281
668000
3000
Έχω αυτό το στυλό και κοιτάω τα δεδομένα,
11:26
and I moveκίνηση the penστυλό towardsπρος the headκεφάλι,
282
671000
2000
και κινώ το στυλό προς το κεφάλι,
11:28
and all of a suddenαιφνίδιος I feel resistanceαντίσταση.
283
673000
2000
και ξαφνικά νοιώθω αντίσταση.
11:30
So I can feel the skinδέρμα.
284
675000
2000
Άρα μπορώ να νιώσω το δέρμα.
11:32
If I pushΣπρώξτε a little bitκομμάτι harderπιο δυνατα, I'll go throughδιά μέσου the skinδέρμα,
285
677000
2000
Αν σπρώξω λίγο παραπάνω, θα διαπεράσω το δέρμα,
11:34
and I can feel the boneοστό structureδομή insideμέσα.
286
679000
3000
και μπορώ να νιώσω το κόκκαλο μέσα.
11:37
If I pushΣπρώξτε even harderπιο δυνατα, I'll go throughδιά μέσου the boneοστό structureδομή,
287
682000
2000
Αν πιέσω ακόμα παραπάνω, θα διαπεράσω το κόκκαλο,
11:39
especiallyειδικά closeΚοντά to the earαυτί where the boneοστό is very softμαλακός.
288
684000
3000
ειδικά κοντά στο αυτί όπου το κόκκαλο είναι πολύ μαλακό.
11:42
And then I can feel the brainεγκέφαλος insideμέσα, and this will be the slushyλασπωμένος like this.
289
687000
3000
Και μπορώ να νιώσω τον εγκέφαλο μέσα, και θα είναι λασπώδεις σαν αυτό.
11:45
So this is really niceόμορφη.
290
690000
2000
Επομένως αυτό είναι πραγματικά ωραίο.
11:47
And to take that even furtherπεραιτέρω, this is a heartκαρδιά.
291
692000
3000
Και για να το πάω αυτό παραπέρα, αυτή είναι μία καρδιά.
11:50
And this is alsoεπίσης dueλόγω to these fantasticφανταστικός newνέος scannersσαρωτές,
292
695000
3000
Και αυτό είναι επίσης λόγο αυτών των φανταστικών νέων σαρωτών,
11:53
that just in 0.3 secondsδευτερολέπτων,
293
698000
2000
που μόλις σε 0,3 δευτερόλεπτα,
11:55
I can scanσάρωση the wholeολόκληρος heartκαρδιά,
294
700000
2000
μπορώ να σαρώσω ολόκληρη την καρδιά
11:57
and I can do that with time resolutionανάλυση.
295
702000
2000
και μπορώ να το κάνω αυτό με ανάλυση χρόνου.
11:59
So just looking at this heartκαρδιά,
296
704000
2000
Επομένως απλά κοιτώντας αυτή την καρδιά,
12:01
I can playπαίζω back a videoβίντεο here.
297
706000
2000
Μπορώ να αναπαράγω ένα βίντεο εδώ.
12:03
And this is KarljohanKarljohan, one of my graduateαποφοιτώ studentsΦοιτητές
298
708000
2000
Και αυτός είναι ο Καρλτζοχαν, ένας από τους μεταπτυχιακούς φοιτητές μου
12:05
who'sποιος είναι been workingεργαζόμενος on this projectέργο.
299
710000
2000
ο οποίος δουλεύει σε αυτό το πρόγραμμα.
12:07
And he's sittingσυνεδρίαση there in frontεμπρός of the HapticΑπτική deviceσυσκευή, the forceδύναμη feedbackανατροφοδότηση systemΣύστημα,
300
712000
3000
Και κάθεται εκεί μπροστά στην συσκευή Haptic, το σύστημα δυναμικής ανάδρασης,
12:10
and he's movingκίνηση his penστυλό towardsπρος the heartκαρδιά,
301
715000
3000
και κινεί το στυλό του προς την καρδιά,
12:13
and the heartκαρδιά is now beatingχτύπημα in frontεμπρός of him,
302
718000
2000
και η καρδιά τώρα χτυπάει μπροστά του,
12:15
so he can see how the heartκαρδιά is beatingχτύπημα.
303
720000
2000
επομένως, μπορεί να δει πως η καρδιά χτυπάει.
12:17
He's takenληφθεί the penστυλό, and he's movingκίνηση it towardsπρος the heartκαρδιά,
304
722000
2000
Πήρε το στυλό και το κινεί προς την καρδιά,
12:19
and he's puttingβάζοντας it on the heartκαρδιά,
305
724000
2000
και το πιέζει πάνω στην καρδιά,
12:21
and then he feelsαισθάνεται the heartbeatsκαρδιακών παλμών from the realπραγματικός livingζωή patientυπομονετικος.
306
726000
3000
και μετά νοιώθει τους καρδιακούς παλμούς από τον ζωντανό ασθενή.
12:24
Then he can examineΕξετάστε how the heartκαρδιά is movingκίνηση.
307
729000
2000
Μετά μπορεί να εξετάσει πως η καρδιά κουνιέται.
12:26
He can go insideμέσα, pushΣπρώξτε insideμέσα of the heartκαρδιά,
308
731000
2000
Μπορεί να πάει μέσα, να σπρώξει μέσα στην καρδιά,
12:28
and really feel how the valvesβαλβίδες are movingκίνηση.
309
733000
3000
και πραγματικά να νιώσει πως κινούνται οι βαλβίδες.
12:31
And this, I think, is really the futureμελλοντικός for heartκαρδιά surgeonsχειρουργοί.
310
736000
3000
Και αυτό, πιστεύω, είναι πραγματικά το μέλλον για τους καρδιοχειρουργούς.
12:34
I mean it's probablyπιθανώς the wetυγρό dreamόνειρο for a heartκαρδιά surgeonχειρουργός
311
739000
3000
Νομίζω ότι μάλλον είναι η ονείρωξη για έναν καρδιοχειρουργό
12:37
to be ableικανός to go insideμέσα of the patient'sτου ασθενούς heartκαρδιά
312
742000
3000
το να μπορεί να μπει μέσα στην καρδιά του ασθενή του
12:40
before you actuallyπράγματι do surgeryχειρουργική επέμβαση,
313
745000
2000
πριν κάνει στην πραγματικότητα εγχείρηση,
12:42
and do that with high-qualityυψηλής ποιότητας resolutionανάλυση dataδεδομένα.
314
747000
2000
και να το κάνει αυτό με υψηλής ποιότητας και ανάλυσης δεδομένα.
12:44
So this is really neatκαθαρός.
315
749000
2000
Επομένως, αυτό είναι πραγματικά φανταστικό.
12:47
Now we're going even furtherπεραιτέρω into scienceεπιστήμη fictionμυθιστόρημα.
316
752000
3000
Τώρα προχωράμε ακόμα παραπέρα στην επιστημονική φαντασία.
12:50
And we heardακούσει a little bitκομμάτι about functionalλειτουργικός MRIΜΑΓΝΗΤΙΚΉ ΤΟΜΟΓΡΑΦΊΑ.
317
755000
3000
Και έχουμε ακούσει λίγα για την μαγνητική τομογραφία.
12:53
Now this is really an interestingενδιαφέρων projectέργο.
318
758000
3000
Τώρα, αυτό είναι πραγματικά ένα ενδιαφέρον πρόγραμμα.
12:56
MRIΜΑΓΝΗΤΙΚΉ ΤΟΜΟΓΡΑΦΊΑ is usingχρησιμοποιώντας magneticμαγνητικός fieldsπεδία
319
761000
2000
Η μαγνητική τομογραφία χρησιμοποιεί μαγνητικά πεδία
12:58
and radioραδιόφωνο frequenciesσυχνότητες
320
763000
2000
και ραδιοσυχνότητες
13:00
to scanσάρωση the brainεγκέφαλος, or any partμέρος of the bodyσώμα.
321
765000
3000
για να σαρώσει τον εγκέφαλο, ή οποιοδήποτε άλλο μέρος του σώματος.
13:03
So what we're really gettingνα πάρει out of this
322
768000
2000
Άρα αυτό που στην πραγματικότητα παίρνουμε από αυτό
13:05
is informationπληροφορίες of the structureδομή of the brainεγκέφαλος,
323
770000
2000
είναι πληροφορία για την δομή του εγκεφάλου,
13:07
but we can alsoεπίσης measureμετρήσει the differenceδιαφορά
324
772000
2000
αλλά μπορούμε επίσης να μετρήσουμε την διαφορά
13:09
in magneticμαγνητικός propertiesιδιότητες of bloodαίμα that's oxygenatedοξυγονωμένο
325
774000
3000
στις μαγνητικές ιδιότητες του αίματος που οξυγονώνεται
13:12
and bloodαίμα that's depletedεξαντλημένο of oxygenοξυγόνο.
326
777000
3000
και αίματος που δεν έχει οξυγόνο.
13:15
That meansπου σημαίνει that it's possibleδυνατόν
327
780000
2000
Αυτό σημαίνει πως είναι δυνατόν
13:17
to mapχάρτης out the activityδραστηριότητα of the brainεγκέφαλος.
328
782000
2000
να χαρτογραφήσουμε την δραστηριότητα του εγκεφάλου.
13:19
So this is something that we'veέχουμε been workingεργαζόμενος on.
329
784000
2000
Άρα αυτό είναι κάτι πάνω στο οποίο δουλέψαμε.
13:21
And you just saw MottsMotts the researchέρευνα engineerμηχανικός, there,
330
786000
3000
Και μόλις είδατε τον Μοτς τον ερευνητή εκεί
13:24
going into the MRIΜΑΓΝΗΤΙΚΉ ΤΟΜΟΓΡΑΦΊΑ systemΣύστημα,
331
789000
2000
να μπαίνει μέσα στο σύστημα μαγνητικής τομογραφίας,
13:26
and he was wearingκουραστικός gogglesπροστατευτικά γυαλιά.
332
791000
2000
φορώντας γυαλιά
13:28
So he could actuallyπράγματι see things in the gogglesπροστατευτικά γυαλιά.
333
793000
2000
Επομένως μπορούσε να δει πράγματα μέσα στα γυαλιά.
13:30
So I could presentπαρόν things to him while he's in the scannerερευνητής.
334
795000
3000
Άρα μπορώ να του παρουσιάσω πράματα όσο είναι μέσα στον σαρωτή.
13:33
And this is a little bitκομμάτι freakyφρικιαστικό,
335
798000
2000
Και αυτό είναι λίγο παράξενο,
13:35
because what MottsMotts is seeingβλέπων is actuallyπράγματι this.
336
800000
2000
γιατί αυτό που βλέπει ο Μοτς στην πραγματικότητα είναι αυτό.
13:37
He's seeingβλέπων his ownτα δικά brainεγκέφαλος.
337
802000
3000
Βλέπει τον ίδιο του τον εγκέφαλο.
13:40
So MottsMotts is doing something here,
338
805000
2000
Άρα ο Μοτς κάνει κάτι εκεί.
13:42
and probablyπιθανώς he is going like this with his right handχέρι,
339
807000
2000
Και ίσως κάνει αυτό με το δεξί του χέρι,
13:44
because the left sideπλευρά is activatedενεργοποιείται
340
809000
2000
επειδή η αριστερή μεριά είναι ενεργοποιημένη
13:46
on the motorμοτέρ cortexφλοιός.
341
811000
2000
στον κινητικό φλοιό.
13:48
And then he can see that at the sameίδιο time.
342
813000
2000
Και έπειτα μπορεί να το δει αυτό την ίδια στιγμή.
13:50
These visualizationsοπτικοποιήσεις are brandμάρκα newνέος.
343
815000
2000
Αυτές οι απεικονίσεις είναι ολοκαίνουριες.
13:52
And this is something that we'veέχουμε been researchingέρευνα for a little while.
344
817000
3000
Και αυτό είναι κάτι που ερευνούσαμε για λίγο καιρό.
13:55
This is anotherαλλο sequenceαλληλουχία of Motts''Motts brainεγκέφαλος.
345
820000
3000
Αυτή είναι μία άλλη ακολουθία του εγκεφάλου του Ματς.
13:58
And here we askedερωτηθείς MottsMotts to calculateυπολογίζω backwardsπρος τα πίσω from 100.
346
823000
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
826000
2000
Άρα πάει "100, 97, 94."
14:03
And then he's going backwardsπρος τα πίσω.
348
828000
2000
Και έπειτα πηγαίνει προς τα πίσω.
14:05
And you can see how the little mathμαθηματικά processorεπεξεργαστή is workingεργαζόμενος up here in his brainεγκέφαλος
349
830000
3000
Και μπορείτε να δείτε τον μικρό επεξεργαστή μαθηματικών να δουλεύει εδώ μέσα στον εγκέφαλό του
14:08
and is lightingφωτισμός up the wholeολόκληρος brainεγκέφαλος.
350
833000
2000
και ανάβει ολόκληρο τον εγκέφαλο.
14:10
Well this is fantasticφανταστικός. We can do this in realπραγματικός time.
351
835000
2000
Λοιπόν αυτό είναι φανταστικό. Μπορούμε να το κάνουμε σε πραγματικό χρόνο.
14:12
We can investigateερευνώ things. We can tell him to do things.
352
837000
2000
Μπορούμε να ερευνήσουμε πράματα. Μπορούμε να το πούμε να κάνει πράγματα.
14:14
You can alsoεπίσης see that his visualοπτικός cortexφλοιός
353
839000
2000
Μπορείτε επίσης να δείτε ότι ο οπτικός φλοιός
14:16
is activatedενεργοποιείται in the back of the headκεφάλι,
354
841000
2000
είναι ενεργοποιημένος στο πίσω του κεφαλιού,
14:18
because that's where he's seeingβλέπων, he's seeingβλέπων his ownτα δικά brainεγκέφαλος.
355
843000
2000
επειδή εκεί είναι που βλέπει, βλέπει τον ίδιο του τον εγκέφαλο.
14:20
And he's alsoεπίσης hearingακρόαση our instructionsοδηγίες
356
845000
2000
Και επίσης ακούει τις οδηγίες μας
14:22
when we tell him to do things.
357
847000
2000
όταν του λέμε να κάνει πράγματα.
14:24
The signalσήμα is really deepβαθύς insideμέσα of the brainεγκέφαλος as well,
358
849000
2000
Επίσης το σήμα είναι πραγματικά βαθιά μέσα στον εγκέφαλο,
14:26
and it's shiningλάμψη throughδιά μέσου,
359
851000
2000
αλλά λάμπει από μέσα,
14:28
because all of the dataδεδομένα is insideμέσα this volumeΕνταση ΗΧΟΥ.
360
853000
2000
γιατί όλα τα δεδομένα είναι μέσα σε αυτό το χώρο.
14:30
And in just a secondδεύτερος here you will see --
361
855000
2000
Και σε ένα δευτερόλεπτο εδώ θα δείτε --
14:32
okay, here. MottsMotts, now moveκίνηση your left footπόδι.
362
857000
2000
Ωραία, εδώ. Μοτς, τώρα κούνα το αριστερό σου πόδι.
14:34
So he's going like this.
363
859000
2000
Άρα κάνει κάπως έτσι.
14:36
For 20 secondsδευτερολέπτων he's going like that,
364
861000
2000
Και για 20 δευτερόλεπτα κάνει κάπως έτσι,
14:38
and all of a suddenαιφνίδιος it lightsφώτα up up here.
365
863000
2000
και ξαφνικά ανάβει εδώ.
14:40
So we'veέχουμε got motorμοτέρ cortexφλοιός activationΕνεργοποίηση up there.
366
865000
2000
Άρα έχουμε ενεργοποίηση του κινητικού φλοιού εδώ.
14:42
So this is really, really niceόμορφη,
367
867000
2000
Άρα αυτό είναι πραγματικά, πραγματικά καλό.
14:44
and I think this is a great toolεργαλείο.
368
869000
2000
Και πιστεύω ότι είναι ένα καταπληκτικό εργαλείο.
14:46
And connectingσυνδετικός alsoεπίσης with the previousπροηγούμενος talk here,
369
871000
2000
Και επίσης συνδέοντας την προηγούμενη ομιλία,
14:48
this is something that we could use as a toolεργαλείο
370
873000
2000
αυτό είναι κάτι που θα μπορούσαμε να το χρησιμοποιήσουμε σαν εργαλείο
14:50
to really understandκαταλαβαίνουν
371
875000
2000
να καταλάβουμε πραγματικά
14:52
how the neuronsνευρώνες are workingεργαζόμενος, how the brainεγκέφαλος is workingεργαζόμενος,
372
877000
2000
πως δουλεύουν οι νευρώνες, πως δουλεύει ο εγκέφαλος,
14:54
and we can do this with very, very highυψηλός visualοπτικός qualityποιότητα
373
879000
3000
και μπορούμε να το κάνουμε αυτό με πολύ, πολύ μεγάλη οπτική ποιότητα
14:57
and very fastγρήγορα resolutionανάλυση.
374
882000
3000
και πολύ γρήγορη ανάλυση.
15:00
Now we're alsoεπίσης havingέχοντας a bitκομμάτι of funδιασκέδαση at the centerκέντρο.
375
885000
2000
Επίσης τώρα λίγο διασκεδάζουμε στο κέντρο.
15:02
So this is a CATΓΆΤΑ scanσάρωση -- ComputerΥπολογιστή AidedΜε τη βοήθεια TomographyΤομογραφία.
376
887000
3000
Λοιπόν αυτό είναι μία ΥΤ -- μία υπολογιστική αξονική τομογραφία.
15:06
So this is a lionλιοντάρι from the localτοπικός zooΖωολογικός Κήπος
377
891000
2000
Λοιπόν αυτό είναι ένα λιοντάρι από τον τοπικό ζωολογικό κήπο
15:08
outsideεξω απο of NorrkopingΝορκόπινγκ in KolmardenKolmarden, ElsaΈλσα.
378
893000
3000
έξω από το Νόρσεπινγκ στο Κολμόρτεν, η Έλσα.
15:11
So she cameήρθε to the centerκέντρο,
379
896000
2000
Λοιπόν ήρθε στο κέντρο,
15:13
and they sedatedναρκωμένος her
380
898000
2000
και την ναρκώσανε
15:15
and then put her straightευθεία into the scannerερευνητής.
381
900000
2000
και απευθείας μετά την έβαλαν μέσα στον σαρωτή.
15:17
And then, of courseσειρά μαθημάτων, I get the wholeολόκληρος dataδεδομένα setσειρά from the lionλιοντάρι.
382
902000
3000
Και μετά, φυσικά, πήρα ένα ολόκληρο σύνολο δεδομένων από το λιοντάρι.
15:20
And I can do very niceόμορφη imagesεικόνες like this.
383
905000
2000
Και μπορώ να κάνω μετά πολύ καλές εικόνες,όπως εδώ.
15:22
I can peelφλούδα off the layerστρώμα of the lionλιοντάρι.
384
907000
2000
Μπορώ να ξεφλουδίσω το στρώμα από το λιοντάρι.
15:24
I can look insideμέσα of it.
385
909000
2000
Μπορώ να κοιτάξω μέσα του.
15:26
And we'veέχουμε been experimentingπειραματίζονται with this.
386
911000
2000
Και έχουμε πειραματιστεί με αυτό.
15:28
And I think this is a great applicationεφαρμογή
387
913000
2000
Και νομίζω είναι μία μεγάλη εφαρμογή
15:30
for the futureμελλοντικός of this technologyτεχνολογία,
388
915000
2000
για το μέλλον αυτής της τεχνολογίας.
15:32
because there's very little knownγνωστός about the animalζώο anatomyανατομία.
389
917000
3000
Γιατί λίγα είναι γνωστά για την ανατομία των ζώων.
15:35
What's knownγνωστός out there for veterinariansκτηνίατροι is kindείδος of basicβασικός informationπληροφορίες.
390
920000
3000
Αυτό που είναι γνωστό στους κτηνιάτρους είναι κάτι σαν βασική πληροφορία.
15:38
We can scanσάρωση all sortsείδος of things,
391
923000
2000
Μπορούμε να σαρώσουμε διάφορα πράγματα.
15:40
all sortsείδος of animalsτων ζώων.
392
925000
2000
Όλων των ειδών ζώα.
15:42
The only problemπρόβλημα is to fitκατάλληλος it into the machineμηχανή.
393
927000
3000
Το μόνο πρόβλημα είναι πως θα τα χωρέσουμε στο μηχάνημα.
15:45
So here'sεδώ είναι a bearαρκούδα.
394
930000
2000
Λοιπόν εδώ είναι μία αρκούδα.
15:47
It was kindείδος of hardσκληρά to get it in.
395
932000
2000
Ήταν κάπως δύσκολο να την βάλουμε μέσα.
15:49
And the bearαρκούδα is a cuddlyμαζεμένος, friendlyφιλικός animalζώο.
396
934000
3000
Και η αρκούδα είναι ένα αγαπησιάρικο, φιλικό ζώο.
15:52
And here it is. Here is the noseμύτη of the bearαρκούδα.
397
937000
3000
Και εδώ είναι. Εδώ είναι η μύτη της αρκούδας.
15:55
And you mightθα μπορούσε want to cuddleαγκαλιάζω this one,
398
940000
3000
Και ίσως θέλεις να την αγκαλιάσεις αυτήν εδώ,
15:58
untilμέχρις ότου you changeαλλαγή the functionsλειτουργίες and look at this.
399
943000
3000
μέχρι να αλλάξεις την συνάρτηση και να φαίνεται έτσι.
16:01
So be awareενήμερος of the bearαρκούδα.
400
946000
2000
Άρα να προσέχετε την αρκούδα.
16:03
So with that,
401
948000
2000
Έτσι με αυτό,
16:05
I'd like to thank all the people
402
950000
2000
θα ήθελα να ευχαριστήσω όλους
16:07
who have helpedβοήθησα me to generateπαράγω these imagesεικόνες.
403
952000
2000
που με βοήθησαν να παράγω αυτές τις εικόνες.
16:09
It's a hugeτεράστιος effortπροσπάθεια that goesπηγαίνει into doing this,
404
954000
2000
Είναι μία μεγάλη προσπάθεια για να γίνει αυτό,
16:11
gatheringσυγκέντρωση the dataδεδομένα and developingανάπτυξη the algorithmsαλγορίθμους,
405
956000
3000
να συλλέξεις τα δεδομένα και να αναπτύξεις τους αλγορίθμους,
16:14
writingΓραφή all the softwareλογισμικό.
406
959000
2000
να γράψεις όλο το λογισμικό.
16:16
So, some very talentedταλαντούχος people.
407
961000
3000
Άρα κάποιοι πολύ ταλαντούχοι άνθρωποι.
16:19
My mottoσύνθημα is always, I only hireενοικίαση people that are smarterεξυπνότερα than I am
408
964000
3000
Το ρητό μου πάντα είναι, να προσλαμβάνω μόνο ανθρώπους που είναι εξυπνότεροι από μένα
16:22
and mostπλέον of these are smarterεξυπνότερα than I am.
409
967000
2000
και πολλοί από αυτούς είναι εξυπνότεροι από μένα.
16:24
So thank you very much.
410
969000
2000
Λοιπόν, σας ευχαριστώ πάρα πολύ.
16:26
(ApplauseΧειροκροτήματα)
411
971000
4000
(Χειροκρότημα)

▲Back to top

ABOUT THE SPEAKER
Anders Ynnerman - Scientific visualization expert
Anders Ynnerman studies the fundamental aspects of computer graphics and visualization, in particular large scale and complex data sets with a focus on volume rendering and multi-modal interaction.

Why you should listen

Professor Anders Ynnerman received a Ph.D. in physics from Gothenburg University. During the early 90s he was doing research at Oxford University and Vanderbilt University. In 1996 he started the Swedish National Graduate School in Scientific Computing, which he directed until 1999. From 1997 to 2002 he directed the Swedish National Supercomputer Centre and from 2002 to 2006 he directed the Swedish National Infrastructure for Computing (SNIC).

Since 1999 he is holding a chair in scientific visualization at Linköping University and in 2000 he founded the Norrköping Visualization and Interaction Studio (NVIS). NVIS currently constitutes one of the main focal points for research and education in computer graphics and visualization in the Nordic region. Ynnerman is currently heading the build-up of a large scale center for Visualization in Norrköping.

More profile about the speaker
Anders Ynnerman | Speaker | TED.com