I will start by posing a little bit of a challenge: the challenge of dealing with data, data that we have to deal with in medical situations. It's really a huge challenge for us. And this is our beast of burden -- this is a Computer Tomography machine, a CT machine. It's a fantastic device. It uses X-rays, X-ray beams, that are rotating very fast around the human body. It takes about 30 seconds to go through the whole machine and is generating enormous amounts of information that comes out of the machine. So this is a fantastic machine that we can use for improving health care, but as I said, it's also a challenge for us. And the challenge is really found in this picture here. It's the medical data explosion that we're having right now. We're facing this problem. And let me step back in time.
Jag ska börja med att formulera en liten utmaning, utmaningen att hantera data, data som vi måste hantera i medicinska situationer. Det är verkligen en enorm utmaning för oss. Detta är vårt lastdjur. Det är en datortomograf -- en CT-maskin. Det är en fantastisk apparat. Den använder röntgenstrålning, som roterar väldigt snabbt kring människokroppen. Det tar omkring 30 sekunder att åka igenom hela maskinen och det genereras enorma mängder information som kommer ut ur maskinen. Så det här är en fantastisk maskin som vi kan använda för att förbättra hälso- och sjukvården. Men som jag sa, det är också en utmaning för oss. Och utmaningen kan man se i den här bilden. Det är den medicinska dataexplosionen som vi har just nu. Vi ställs inför detta problem. Låt mig gå tillbaka i tiden.
Let's go back a few years in time and see what happened back then. These machines that came out -- they started coming in the 1970s -- they would scan human bodies, and they would generate about 100 images of the human body. And I've taken the liberty, just for clarity, to translate that to data slices. That would correspond to about 50 megabytes of data, which is small when you think about the data we can handle today just on normal mobile devices. If you translate that to phone books, it's about one meter of phone books in the pile. Looking at what we're doing today with these machines that we have, we can, just in a few seconds, get 24,000 images out of a body, and that would correspond to about 20 gigabytes of data, or 800 phone books, and the pile would then be 200 meters of phone books. What's about to happen -- and we're seeing this; it's beginning -- a technology trend that's happening right now is that we're starting to look at time-resolved situations as well. So we're getting the dynamics out of the body as well. And just assume that we will be collecting data during five seconds, and that would correspond to one terabyte of data -- that's 800,000 books and 16 kilometers of phone books. That's one patient, one data set. And this is what we have to deal with.
Låt oss gå tillbaka några år i tiden och se vad som hände då. De här maskinerna som kom ut -- de började komma under 1970-talet -- de scannade människokroppar, och de genererade omkring 100 bilder av människokroppen. Jag har tagit mig friheten, för tydlighets skull, att översätta det till dataenheter. Det skulle motsvara ungefär 50 MB, vilket är lite när man tänker på informationen vi kan hantera idag bara på vanliga mobilenheter. Om man översätter det till telefonkataloger, blir det ungefär en meterhög stapel av telefonkataloger. Ser man till det vi gör idag med de maskiner vi har, kan vi, på bara några sekunder, få 24 000 bilder av en kropp. Det skulle motsvara omkring 20 GB, eller 800 telefonkataloger. Högen med telefonkataloger skulle då bli 200 meter hög. Det som är på väg att hända -- och vi ser att detta är på gång -- en tekniktrend som händer just nu är att vi även börjar titta på resultat över tid. Så vi får dynamiken av kroppen också. Anta bara att vi samlar data under fem sekunder, det skulle motsvara en TB data. Det är 800 000 telefonkataloger som skulle utgöra en 16 km hög stapel. Det är en patient, en uppsättning data. Och det är detta vi måste handskas med.
So this is really the enormous challenge that we have. And already today -- this is 25,000 images. Imagine the days when we had radiologists doing this. They would put up 25,000 images, they would go like this, "25,0000, okay, okay. There is the problem." They can't do that anymore. That's impossible. So we have to do something that's a little bit more intelligent than doing this. So what we do is that we put all these slices together. Imagine that you slice your body in all these directions, and then you try to put the slices back together again into a pile of data, into a block of data. So this is really what we're doing. So this gigabyte or terabyte of data, we're putting it into this block. But of course, the block of data just contains the amount of X-ray that's been absorbed in each point in the human body. So what we need to do is to figure out a way of looking at the things we do want to look at and make things transparent that we don't want to look at. So transforming the data set into something that looks like this. And this is a challenge. This is a huge challenge for us to do that.
Så det är egentligen detta som är den enorma utmaningen vi har. Redan idag -- detta är 25 000 bilder. Föreställ er när vi hade röntgenläkare till detta. Dom skulle ha satt upp 25 000 bilder, och gjort så här. "25 000, okej, okej... Där är problemet." Dom kan inte göra så längre, det är omöjligt. Så vi måste göra nånting lite mer intelligent än detta. Vad vi gör är att vi sätter ihop alla dessa skikt. Föreställ dig att du skivar din kropp i alla riktningar, och sen försöker du sätta ihop alla skikt igen till en hög med information, till ett datablock. Så det är egentligen det här vi gör. Så den här gigabyten eller terabyten med data stoppar vi i in i ett block. Men självklart är det så att datablocket bara innehåller den mängd röntgenstrålning som blivit absorberad i varje punkt av människokroppen. Vad vi behöver göra är att komma på ett sätt att titta på de saker vi vill titta på och göra saker genomskinliga som vi inte vill titta på. Så att omvandla datauppsättningen till någonting som ser ut som detta. Detta är en utmaning. Det är en enorm utmaning för oss att göra det.
Using computers, even though they're getting faster and better all the time, it's a challenge to deal with gigabytes of data, terabytes of data and extracting the relevant information. I want to look at the heart. I want to look at the blood vessels. I want to look at the liver. Maybe even find a tumor, in some cases. So this is where this little dear comes into play. This is my daughter. This is as of 9 a.m. this morning. She's playing a computer game. She's only two years old, and she's having a blast. So she's really the driving force behind the development of graphics-processing units. As long as kids are playing computer games, graphics is getting better and better and better. So please go back home, tell your kids to play more games, because that's what I need.
Att använda datorer, även om dom bli snabbare och bättre hela tiden, så är det en utmaning att handskas med flera gigabyte, eller terabyte och att extrahera den relevanta informationen. Jag vill titta på hjärtat, Jag vill titta på blodkärlen, jag vill titta på levern, kanske till och med hitta en tumör i vissa fall. Låt mig visa ett exempel. Detta är min dotter. Detta var klockan nio i morse. Hon spelar ett dataspel. Hon är bara två år gammal, och har jätteroligt. Så hon är den egentliga drivkraften bakom utvecklingen av grafikprocessorer. Så länge barn spelar dataspel, blir grafiken bättre och bättre. Så var snälla att gå hem och säg åt era barn att spela mer dataspel, för det är det jag behöver.
So what's inside of this machine is what enables me to do the things that I'm doing with the medical data. So really what I'm doing is using these fantastic little devices. And you know, going back maybe 10 years in time when I got the funding to buy my first graphics computer -- it was a huge machine. It was cabinets of processors and storage and everything. I paid about one million dollars for that machine. That machine is, today, about as fast as my iPhone. So every month there are new graphics cards coming out, and here is a few of the latest ones from the vendors -- NVIDIA, ATI, Intel is out there as well. And you know, for a few hundred bucks you can get these things and put them into your computer, and you can do fantastic things with these graphics cards. So this is really what's enabling us to deal with the explosion of data in medicine, together with some really nifty work in terms of algorithms -- compressing data, extracting the relevant information that people are doing research on.
Så det som är inuti den här maskinen är det som gör det möjligt för mig att göra det jag gör med den medicinska datan. Så vad jag gör är att använda dessa fantastiska små enheter. Går man tillbaka omkring 10 år i tiden när jag fick finansiering till min första grafikdator. Det var en enorm maskin. Det var stora skåp med processorer, lagring och allt. Jag betalade ungefär en miljon dollar för den maskinen. Den maskinen är idag ungefär lika snabb som min iPhone. Varje månad kommer det ut nya grafikkort. Här är några av de senaste från tillverkarna -- NVIDIA, ATI och även Intel. För bara några hundra dollar kan man köpa såna här och stoppa in i sin dator, och man kan göra fantastiska saker med dessa grafikkort. Så det är egentligen detta som gör det möjligt för oss att hantera med explosionen av data inom medicin, tillsammans med en del riktigt fiffigt arbete i form av algoritmer -- datakomprimering, och extrahering av den relevanta informationen som folk forskar om.
So I'm going to show you a few examples of what we can do. This is a data set that was captured using a CT scanner. You can see that this is a full data [set]. It's a woman. You can see the hair. You can see the individual structures of the woman. You can see that there is [a] scattering of X-rays on the teeth, the metal in the teeth. That's where those artifacts are coming from. But fully interactively on standard graphics cards on a normal computer, I can just put in a clip plane. And of course all the data is inside, so I can start rotating, I can look at it from different angles, and I can see that this woman had a problem. She had a bleeding up in the brain, and that's been fixed with a little stent, a metal clamp that's tightening up the vessel. And just by changing the functions, then I can decide what's going to be transparent and what's going to be visible. I can look at the skull structure, and I can see that, okay, this is where they opened up the skull on this woman, and that's where they went in. So these are fantastic images. They're really high resolution, and they're really showing us what we can do with standard graphics cards today.
Jag ska visa er några exempel av vad vi kan göra. Detta är en datauppsättning som erhållits med datortomografi. Man kan se att det finns mycket information. Det är en kvinna. Man kan se håret. Man kan se de individuella strukturerna av kvinnan. Man kan se viss diffraktion av röntgenstrålar på tänderna, metallen i tänderna. Det är därifrån artefakterna kommer. Men helt interaktivt med ett vanligt grafikkort på en vanlig dator, kan jag bara lägga in ett beskärningsplan. Självklart finns all data där, så jag kan börja rotera, jag kan titta på det från olika vinklar, och jag kan se att den här kvinnan hade problem. Hon hade en blödning uppe i hjärnan, och den har blivit fixad med en liten stent, en metallklämma som drar ihop blodkärlet. Bara genom att ändra i funktionerna, kan jag bestämma vad som ska vara genomskinligt och vad som ska vara synligt. Jag kan titta på skallstrukturen, och jag kan se att det var här dom öppnade skallen på den här kvinnan, och det var där dom gick in. Så detta är fantastiska bilder. Dom är väldigt högupplösta och dom visar oss verkligen vad vi kan göra med vanliga grafikkort idag.
Now we have really made use of this, and we have tried to squeeze a lot of data into the system. And one of the applications that we've been working on -- and this has gotten a little bit of traction worldwide -- is the application of virtual autopsies. So again, looking at very, very large data sets, and you saw those full-body scans that we can do. We're just pushing the body through the whole CT scanner, and just in a few seconds we can get a full-body data set. So this is from a virtual autopsy. And you can see how I'm gradually peeling off. First you saw the body bag that the body came in, then I'm peeling off the skin -- you can see the muscles -- and eventually you can see the bone structure of this woman.
Nu har vi verkligen dragit nytta av detta, och vi har försökt att klämma in massvis med data in i systemet. En av tillämpningarna som vi har arbetat på -- och detta har fått ett visst fäste över hela världen -- är tillämpningen med virtuella obduktioner. Så återigen, framför oss har vi väldigt, väldigt stora uppsättningar data, och ni såg helkroppsscanningarna vi kan göra. Vi för bara kroppen genom datortomografen, och på bara några sekunder kan vi få en helkroppsdatauppsättning. Så detta är från en virtuell obduktion. Ni kan se hur jag gradvis skalar av. Först såg ni liksäcken kroppen kom i, sen skalar jag av huden -- ni kan se musklerna -- och slutligen kan ni se kvinnans skelett.
Now at this point, I would also like to emphasize that, with the greatest respect for the people that I'm now going to show -- I'm going to show you a few cases of virtual autopsies -- so it's with great respect for the people that have died under violent circumstances that I'm showing these pictures to you. In the forensic case -- and this is something that ... there's been approximately 400 cases so far just in the part of Sweden that I come from that has been undergoing virtual autopsies in the past four years. So this will be the typical workflow situation. The police will decide -- in the evening, when there's a case coming in -- they will decide, okay, is this a case where we need to do an autopsy? So in the morning, in between six and seven in the morning, the body is then transported inside of the body bag to our center and is being scanned through one of the CT scanners. And then the radiologist, together with the pathologist and sometimes the forensic scientist, looks at the data that's coming out, and they have a joint session. And then they decide what to do in the real physical autopsy after that.
Vid det här laget skulle jag också vilja passa på att understryka att, med den största respekt för människorna som jag nu ska visa -- Jag ska visa några fall av virtuella obduktioner -- så det är med största respekt för människorna som dött under våldsamma omständigheter som jag ska visa dessa bilder för er. I rättsmedicinska fall -- och detta är något som det funnits cirka 400 fall av hittills bara i den delen av Sverige som jag kommer ifrån som har undergått virtuella obduktioner de senaste fyra åren. Så detta är den typiska arbetsgången. Polisen avgör -- under kvällen, när ett fall kommer in -- så avgör dom om detta är ett fall som kräver obduktion. På morgonen, mellan klockan sex och sju, transporteras sedan kroppen inuti liksäcken till vårt center och scannas genom en av datortomograferna. Sen tittar röntgenläkaren, tillsammans med rättsläkaren och ibland en annan rättsmedicinsk specialist, på datan som kommer ut, och dom har ett gemensamt sammanträde. Efter detta bestämmer dom vad som sedan ska göras i den riktiga, fysiska obduktionen.
Now looking at a few cases, here's one of the first cases that we had. You can really see the details of the data set. It's very high-resolution, and it's our algorithms that allow us to zoom in on all the details. And again, it's fully interactive, so you can rotate and you can look at things in real time on these systems here. Without saying too much about this case, this is a traffic accident, a drunk driver hit a woman. And it's very, very easy to see the damages on the bone structure. And the cause of death is the broken neck. And this women also ended up under the car, so she's quite badly beaten up by this injury.
Låt oss titta på några fall, här är ett av de första fallen som vi hade. Man kan verkligen se detaljerna av datauppsättningen, det är väldigt högupplöst. Och det är våra algoritmer som låter oss zooma in på alla detaljer. Återigen, det är helt interaktivt, så man kan rotera och man kan titta på saker i realtid på dessa system. Utan att säga för mycket om detta fallet, det är en trafikolycka, en berusad förare som kört på en kvinna. Det är väldigt lätt att se skadorna på skelettet. Dödsorsaken är den brutna nacken. Den här kvinnan hamnade dessutom under bilen, så hon är i ganska dåligt skick på grund av olyckan.
Here's another case, a knifing. And this is also again showing us what we can do. It's very easy to look at metal artifacts that we can show inside of the body. You can also see some of the artifacts from the teeth -- that's actually the filling of the teeth -- but because I've set the functions to show me metal and make everything else transparent. Here's another violent case. This really didn't kill the person. The person was killed by stabs in the heart, but they just deposited the knife by putting it through one of the eyeballs. Here's another case. It's very interesting for us to be able to look at things like knife stabbings. Here you can see that knife went through the heart. It's very easy to see how air has been leaking from one part to another part, which is difficult to do in a normal, standard, physical autopsy. So it really, really helps the criminal investigation to establish the cause of death, and in some cases also directing the investigation in the right direction to find out who the killer really was.
Här är ett annat fall, ett fall av knivvåld. Detta visar oss igen vad vi kan göra. Det är väldigt lätt att se metallartefakter som vi kan visa inuti kroppen. Man kan också se lite artefakter från tänderna -- det är faktiskt tandfyllningarna -- men eftersom jag har satt inställningarna att visa metall och göra allt annat genomskinligt. Här är ett annat våldsamt fall. Det här dödade inte personen. Personen dog av knivhugg i hjärtat, men dom gjorde bara sig av med kniven genom att sätta den i en av ögonhålorna. Här är ett annat fall. Det är väldigt intressant för oss att kunna undersöka saker som knivhugg. Här kan man se att kniven gick genom hjärtat. Det är väldigt lätt att se hur luften har läckt från en del till en annan del, vilket är svårt att se i en vanlig fysisk obduktion. Så det underlättar verkligen brottsutredningen att fastställa dödsorsaken, och i vissa fall att leda utredningen i rätt riktning för att ta reda på vem gärningsmannen egentligen var.
Here's another case that I think is interesting. Here you can see a bullet that has lodged just next to the spine on this person. And what we've done is that we've turned the bullet into a light source, so that bullet is actually shining, and it makes it really easy to find these fragments. During a physical autopsy, if you actually have to dig through the body to find these fragments, that's actually quite hard to do.
Här är ett annat fall som jag tycker är intressant. Här kan man se en kula som har fastnat precis intill ryggraden på den här personen. Vad vi har gjort är att vi har gjort om kulan till en ljuskälla, så att kulan faktiskt skiner, och det gör det väldigt enkelt att hitta såna här fragment. Under en fysisk obduktion, om du verkligen måste gräva genom hela kroppen för att finna dessa fragment, så är det faktiskt rätt svårt.
One of the things that I'm really, really happy to be able to show you here today is our virtual autopsy table. It's a touch device that we have developed based on these algorithms, using standard graphics GPUs. It actually looks like this, just to give you a feeling for what it looks like. It really just works like a huge iPhone. So we've implemented all the gestures you can do on the table, and you can think of it as an enormous touch interface. So if you were thinking of buying an iPad, forget about it. This is what you want instead. Steve, I hope you're listening to this, all right. So it's a very nice little device. So if you have the opportunity, please try it out. It's really a hands-on experience. So it gained some traction, and we're trying to roll this out and trying to use it for educational purposes, but also, perhaps in the future, in a more clinical situation. There's a YouTube video that you can download and look at this, if you want to convey the information to other people about virtual autopsies.
En sak som jag är väldigt glad att kunna visa er här idag är vårt virtuella obduktionsbord. Det är en touch-enhet som vi har utvecklat baserat på dom här algoritmerna och med vanliga grafikkort. Det ser i själva verket ut så här, bara för att ge er en känsla av hur det ser ut. Det fungerar precis som en enorm iPhone. Så vi har implementerat alla rörelser man kan göra på bordet, och man kan se det som ett enormt touch-gränssnitt. Så om du funderade på att köpa en iPad, glöm det - detta är vad du vill ha istället. Steve, jag hoppas du lyssnar på detta. Så det är en väldigt trevlig liten enhet. Om ni får tillfälle, pröva det gärna. Det är verkligen en fysisk känsla. Den har fått visst fäste och vi försöker lansera den och testar den i undervisningssyften, men också, eventuellt i framtiden, i mer kliniska sammanhang. Det finns en YouTube-video som man kan se för mer information, om man vill förmedla informationen till andra människor om virtuella obduktioner.
Okay, now that we're talking about touch, let me move on to really "touching" data. And this is a bit of science fiction now, so we're moving into really the future. This is not really what the medical doctors are using right now, but I hope they will in the future. So what you're seeing on the left is a touch device. It's a little mechanical pen that has very, very fast step motors inside of the pen. And so I can generate a force feedback. So when I virtually touch data, it will generate forces in the pen, so I get a feedback. So in this particular situation, it's a scan of a living person. I have this pen, and I look at the data, and I move the pen towards the head, and all of a sudden I feel resistance. So I can feel the skin. If I push a little bit harder, I'll go through the skin, and I can feel the bone structure inside. If I push even harder, I'll go through the bone structure, especially close to the ear where the bone is very soft. And then I can feel the brain inside, and this will be the slushy like this.
Okej, nu när vi pratar om "touch", låt mig gå över till verkligt "rörande" data. Och detta är lite science fiction nu, så vi går verkligen in i framtiden. Detta är inte vad läkare egentligen använder sig av just nu, men jag hoppas dom gör det i framtiden. Det ni ser till vänster är en touch-enhet. Det är en liten mekanisk penna som har väldigt snabba stegmotorer inuti pennan. På så sätt kan jag skapa en "kraftåterkoppling" (force feedback). Så när jag virtuellt vidrör data, skapas rörelsekrafter i pennan, så jag får en återkoppling. I det här fallet är det en scanning av en levande person. Jag har den här pennan och jag tittar på datan, och jag rör pennan mot huvudet, och helt plötsligt känner jag ett motstånd. Så jag kan känna huden. Om jag trycker lite hårdare kommer jag igenom huden, och jag kan känna benstrukturen inuti. Om jag trycker ännu hårdare kommer jag igenom skelettet, särskilt i närheten av örat där benet är väldigt mjukt. Sen kan jag känna hjärnan inuti, och den kommer vara slaskig som så här.
So this is really nice. And to take that even further, this is a heart. And this is also due to these fantastic new scanners, that just in 0.3 seconds, I can scan the whole heart, and I can do that with time resolution. So just looking at this heart, I can play back a video here. And this is Karljohan, one of my graduate students who's been working on this project. And he's sitting there in front of the Haptic device, the force feedback system, and he's moving his pen towards the heart, and the heart is now beating in front of him, so he can see how the heart is beating. He's taken the pen, and he's moving it towards the heart, and he's putting it on the heart, and then he feels the heartbeats from the real living patient. Then he can examine how the heart is moving. He can go inside, push inside of the heart, and really feel how the valves are moving. And this, I think, is really the future for heart surgeons. I mean it's probably the wet dream for a heart surgeon to be able to go inside of the patient's heart before you actually do surgery, and do that with high-quality resolution data. So this is really neat.
Så det här är väldigt trevligt. För att ta det ännu längre, detta är ett hjärta. Och detta är också tack vare dom här fantastiska nya maskinerna, som på bara 0,3 sekunder, kan scanna hela hjärtat, och jag kan göra det med tidsupplösning. Så bara genom att titta på det här hjärtat -- Jag kan spela upp en video här. Detta är Karl-Johan, en av mina doktorander som har arbetat på det här projektet. Han sitter där framför haptikkontrollen, force feedback-systemet, och han rör pennan mot hjärtat, och hjärtat slår nu framför honom, så han kan se hur hjärtat slår. Han tar pennan och rör den mot hjärtat, och han sätter den på hjärtat, och sen känner han hjärtslagen från den levande patienten. Sedan kan han undersöka hur hjärtat rör sig. Han kan trycka sig in inuti hjärtat, och riktigt känna hur klaffarna rör sig. Och detta, tror jag, är framtiden för hjärtkirurger. Jag menar det är förmodligen en våt dröm för en hjärtkirurg att kunna gå inuti en patients hjärta innan du gör det riktiga kirurgiska ingreppet, och gör det med högkvalitativ, högupplöst data. Så det här är jättebra.
Now we're going even further into science fiction. And we heard a little bit about functional MRI. Now this is really an interesting project. MRI is using magnetic fields and radio frequencies to scan the brain, or any part of the body. So what we're really getting out of this is information of the structure of the brain, but we can also measure the difference in magnetic properties of blood that's oxygenated and blood that's depleted of oxygen. That means that it's possible to map out the activity of the brain. So this is something that we've been working on. And you just saw Motts the research engineer, there, going into the MRI system, and he was wearing goggles. So he could actually see things in the goggles. So I could present things to him while he's in the scanner. And this is a little bit freaky, because what Motts is seeing is actually this. He's seeing his own brain. So Motts is doing something here, and probably he is going like this with his right hand, because the left side is activated on the motor cortex. And then he can see that at the same time. These visualizations are brand new. And this is something that we've been researching for a little while.
Nu rör vi oss ännu längre in i framtidens science fiction. Vi hörde lite om funktionell MRI. Det här är ett riktigt intressant projekt. MRI använder sig av magnetfält och radiofrekvenser för att scanna hjärnan, eller vilken kroppsdel som helst. Så vad vi egentligen får ut av detta är information om hjärnans struktur, men vi kan också mäta skillnaden av magnetiska egenskaper mellan blod som är syresatt och blod som är syrefattigt. Det innebär att det är möjligt att kartlägga hjärnaktiviteten. Så detta är något vi har jobbat på. Och ni såg precis forskningsingenjören Mats åka in i MRI-systemet, och han hade på sig ett par glasögon. Så han kunde se saker i dom här glasögonen. Så jag kunde visa saker för honom medan han låg i scannern. Och det här är lite galet, för vad Mats ser är egentligen detta. Han ser sin egen hjärna. Så Mats gör någonting här. Troligtvis gör han så här med sin högerhand, för den vänstra sidan aktiveras på den primära motoriska barken. Och sen kan han se det samtidigt. Dessa visualiseringar är helt nya. Detta är något som vi har forskat i ett tag.
This is another sequence of Motts' brain. And here we asked Motts to calculate backwards from 100. So he's going "100, 97, 94." And then he's going backwards. And you can see how the little math processor is working up here in his brain and is lighting up the whole brain. Well this is fantastic. We can do this in real time. We can investigate things. We can tell him to do things. You can also see that his visual cortex is activated in the back of the head, because that's where he's seeing, he's seeing his own brain. And he's also hearing our instructions when we tell him to do things. The signal is really deep inside of the brain as well, and it's shining through, because all of the data is inside this volume. And in just a second here you will see -- okay, here. Motts, now move your left foot. So he's going like this. For 20 seconds he's going like that, and all of a sudden it lights up up here. So we've got motor cortex activation up there. So this is really, really nice, and I think this is a great tool. And connecting also with the previous talk here, this is something that we could use as a tool to really understand how the neurons are working, how the brain is working, and we can do this with very, very high visual quality and very fast resolution.
Det här är en annan sekvens av Mats hjärna. Här bad vi Mats räkna baklänges från 100. Så han tänker "100, 97, 94". Och så fortsätter han. Man kan se hur den lilla matteprocessorn jobbar här uppe i hans hjärna och lyser upp hela hjärnan. Det här är fantastiskt. Vi kan göra det här i realtid. Vi kan undersöka saker. Vi kan be honom göra saker. Man kan också se att hans syncentrum är aktiverat på baksidan av huvudet, för det är där han ser, han ser sin egen hjärna. Han hör också våra instruktioner när vi ber honom göra saker. Signalen är väldigt djup inuti hjärnan också, men den skiner igenom, för all data är inuti den här volymen. Om en sekund kommer ni få se -- Okej, här. Mats, rör på din vänsterfot. Så han gör så här. I 20 sekunder gör han så, och helt plötsligt lyser det upp här uppe. Så vi har aktivering av den motoriska barken där uppe. Så det här är riktigt bra. Och jag tycker det här är ett mycket bra redskap. För att knyta an till den tidigare presentationen, så är detta någonting vi skulle kunna använda som ett verktyg för att verkligen förstå hur neuroner fungerar, hur hjärnan fungerar, och vi kan göra detta med väldigt hög visuell kvalitet och väldigt hög tidsupplösning.
Now we're also having a bit of fun at the center. So this is a CAT scan -- Computer Aided Tomography. So this is a lion from the local zoo outside of Norrkoping in Kolmarden, Elsa. So she came to the center, and they sedated her and then put her straight into the scanner. And then, of course, I get the whole data set from the lion. And I can do very nice images like this. I can peel off the layer of the lion. I can look inside of it. And we've been experimenting with this. And I think this is a great application for the future of this technology, because there's very little known about the animal anatomy. What's known out there for veterinarians is kind of basic information. We can scan all sorts of things, all sorts of animals. The only problem is to fit it into the machine. So here's a bear. It was kind of hard to get it in. And the bear is a cuddly, friendly animal. And here it is. Here is the nose of the bear. And you might want to cuddle this one, until you change the functions and look at this. So be aware of the bear.
Vi har också lite roligt på vårt center. Det här är en CAT scan -- "Computer Aided Tomography" (datortomografi). Det här är ett lejon från den lokala djurparken utanför Norrköping - Kolmården. Elsa. Så hon kom till centret, och dom gav henne bedövning innan hon åkte in i scannern. Sen får jag hela datauppsättningen av lejonet. Och jag kan göra så här fina bilder. Jag kan skala av lager av lejonet. Jag kan titta inuti det. Vi har experimenterat med detta och jag tycker det är jättebra tillämpning för framtiden av den här teknologin. För man vet väldigt lite om djurs anatomi. Den vetskap som finns där ute för veterinärer är ganska enkel information. Vi kan scanna alla möjliga saker, alla sorters djur. Det enda problemet är att få in det i maskinen. Här är en björn. Det var rätt svårt att få in den. Och björnen är ett gosigt, vänligt djur. Här är den. Här är björnens nos. Man vill kanske gosa med den här, tills man ändrar inställningarna och tittar på detta. Så var akta er för björnen.
So with that, I'd like to thank all the people who have helped me to generate these images. It's a huge effort that goes into doing this, gathering the data and developing the algorithms, writing all the software. So, some very talented people. My motto is always, I only hire people that are smarter than I am and most of these are smarter than I am.
Så med det skulle jag vilja tacka alla de som har hjälpt mig skapa dessa bilder. Det är en enorm ansträngning som lagts på detta, att samla all data och utveckla algoritmerna, koda all mjukvara. Väldigt talangfulla människor. Mitt motto är alltid att bara anställa folk som är smartare än jag och dom flesta av dessa är smartare än jag.
So thank you very much.
Tack så mycket.
(Applause)
(Applåder)