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.
Size öncelikle karşılaştığımız bir zorluktan, verilerle uğraşmanın, tıbbi durumlara ait olan verilerle uğraşmanın zorluğundan bahsetmek istiyorum. Bu bizim için gerçekten de çok büyük bir zorluk, en zorlandığımız şey bu. Bu bir bilgisayarlı tomografi cihazı -- bir BT cihazı. Müthiş bir cihaz. X-ışınlarını kullanıyor, insan vücudu etrafında hızla dönen X ışınlarını kullanıyor. Makineye girip çıkmak yaklaşık 30 saniye sürüyor ve bu sürenin sonunda makina inanılmaz miktarlarda veri üretiyor. Bu, sağlık hizmetlerini iyileştirmek için kullanabileceğimiz müthiş bir cihaz. Ama daha önce belirttiğim gibi aynı zamanda büyük bir sorun. Zorluğu bu resimde görmek mümkün. Şu an yaşadığımız bir nevi tıbbi veri patlaması. Yaşadığımız sorun bu. Sizi zamanda geri götürmeme izin verin.
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.
Birkaç yıl geriye gidelim ve o zaman bunların nasıl olduğuna bakalım. Bu makineler 1970'li yıllarda ortaya çıkmaya başladı. İnsan vücudunu tarıyorlar ve insan vücuduna ait yaklaşık 100 görüntü üretiyorlardı. Konuyu daha iyi açıklamak için bunu veri dilimlerine çevirmek istiyorum. Bunlar yaklaşık 50 MB veriye denk geliyordu, ki bugün mobil cihazlarımızda uğraştığımız veri miktarını düşünecek olursanız bu oldukça ufak bir veri. Bunu telefon rehberi birimine çevirecek olursanız, yerden 1 metre yüksekliği olan bir telefon rehberi sütunu demek. Şimdi de bugün sahip olduğumuz makinelerle yaptıklarımıza bir bakalım, sadece birkaç saniye içinde, vücuttan 24 bin görüntü alabiliyoruz. Bu yaklaşık 20 GB veri demek, ya da 800 telefon rehberi. Üstüste koysanız bu yaklaşık 200 metre eder. Gördüğünüz, görmekte olduğunuz şu anda süregelen bu teknoloji trendi ile artık zamana bağlı durumlarla da ilgilenmeye başlıyoruz. Artık vücuttan ilgili dinamikleri de alabiliyoruz. Farz edin ki beş saniye boyunca veri toplayacağız, bu bir terabayt veriye eşdeğer olacaktır. Bu 800.000 kitap ve 16 km yüksekliğinde bir telefon rehberi kulesi demek. Bu tek bir hasta, bir veri seti. Altından kalkmamız gereken sorun da bu.
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.
Yani gerçekten önümüzde müthiş bir zorluk var. Ve bugün bile, -- bu 250 bin görüntü. Bunları radyoloji uzmanlarının yaptığı günleri düşünün. 25 bin görüntüye bakıp, "evet, evet, 25 bin, evet... Hah, işte problem şurada." diyeceklerdi. Bunu artık yapamıyorlar; bu imkansız. Bu nedenle, artık bunu yapabilecek daha akıllı birşeye ihtiyacımız var. Bu nedenle, bütün bu dilimleri bir araya getiriyoruz. Vücudunuzu tüm yönlerde dilimlediğinizi hayal edin, Daha sonra da bu dilimleri tekrar birleştirmeye çalışıyorsunuz, tek bir bilgi yığını halinde, bir blok veri. İşte bizim gerçekte yaptığımız bu. Bu bir gigabayt ya da terabaytlık veriyi bir blok halinde yığıyoruz. Ama elbette, bu veri yığını insan vücudundaki her nokta tarafından soğrulan X-ışını miktarı kadar veri içeriyor. Bu nedenle, yapmamız gereken bakmak istediğimiz şeyleri bize gösteren görmek istemediklerimizi ise şeffaflaştıran bir yöntem bulmak. Bu veri dizisini şuna benzer bir şeye dönüştürüyoruz. İşte işin zor olan kısmı bu. Bu, bizim aşmamız gereken ciddi bir engel.
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.
Gigabaytlarca veriyi işlemek için bilgisayarları kullanmak, her ne kadar her geçen anda daha hızlı ve iyi oluyorlarsa da terbaytlarca veriyi işlemek ve işe yarar veriyi içlerinden ayıklamak gerçekten zor. Kalbe bakmak istiyorum, kan damarlarına bakmak istiyorum, karaciğere bakmak istiyorum, hatta bazı vakalarda bir tümör arıyorum. İşte bu ufaklığın devreye girdiği an bu. Bu benim kızım. Burada saat sabah 9:00, ve o bilgisayarda oyun oynuyor. Henüz sadece iki yaşında, ve acayip eğleniyor. Grafik işlemci geliştirme birimlerinin arkasındaki itici güç gerçekte o. Çocuklar bilgisayar oynamaya devam ettikleri sürece grafikler her geçen gün daha iyiye gidecektir. Bu nedenle eve gidince, çocuklarınıza bilgisayarda oyun oynamalarını söyleyin. Çünkü ihtiyacımız olan şey bu.
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.
Bakın, bu makinenin içinde tıbbi verilerle yaptığım bu işleri yapmamı sağlayan düzenek mevcut. Aslında kullandıklarım bu ufak müthiş cihazlar. Biliyorsunuz ya, geçmişe gidecek olursak belki de 10 yıl geriye, ilk grafik bilgisayarımı almamı sağlayan ödeneği aldığım zamana. O zamanlar bunlar dev gibi makinelerdi. İşlemciler, yedekleyiciler kocaman dolaplardı. Bu makine için yaklaşık bir milyon dolar ödemiştim. Bu makine, yaklaşık benim bugün kullandığım iPhone hızında. Her ay yeni bir görüntü kartı piyasaya çıkıyor. Burada tedarikçilerin son makinelerinden örnekler var -- NVIDIA, ATI, Intel de bunlardan biri. Biliyorsunuz, birkaç yüz dolar verirseniz bunlardan birini alıp evdeki bilgisayarınıza takabilir ve bu görüntü kartları ile muhteşem şeyler yapabilirsiniz. Bizim, tıp alanındaki patlama yapan veri ile uğraşmamızı sağlayan şey bu, algoritma içeren hoş birkaç iş ile birlikte -- veri sıkıştırma ve araştırmadaki anlamlı veriyi diğerlerinin arasından bulma.
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.
Size neler yapabildiğimize ilişkin birkaç örnek vermek istiyorum. Bu veri seti bir BT tarayıcı kullanılarak elde edildi. Bunun eksiksiz bir veri olduğunu görüyorsunuz. O bir kadın. Saçları görebiliyorsunuz. Kadının vücudunun detaylarını seçebilirsiniz. Burada, dişlerde X-ışını saçılımlarını görebilirsiniz, bunlar dişlerdeki metaller. Bu artifaktlar buradan geliyor. Ama aynen normal bir bilgisayardaki standart bir grafik kartı gibi, verileri bir klip haline getirebilirim. Elbette bütün veri burada, içinde. Böylece sağa sola çevirebilir, istediğim açılardan bakabilirim. Bakınca bu kadının bir sorunu olduğunu görebiliyorum. Beyninde bir kanama var. Ufak bir stent ile tamir edilmiş, yani damarı tıkayan bir metal kliple. Fonksiyonları değiştirerek, neyin saydam olacağını, neyin görünür olacağını ayarlayabilirim. Kafatasının yapısına bakabilirim, bu kadının kafatasını açtıkları yeri görebilirim, ve işte beyine buradan girmişler. Yani bunlar muhteşem görüntüler. Yüksek çözünürlüklü görüntüler, ve bugün standart bir grafik kartı ile neler yapabileceğimizi gösteriyorlar.
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.
Bunları pekçok yerde kullandık ve sisteme epey veri yüklemeye çalıştık. Üzerinde uğraştığımız uygulamalardan biri de -- ki bu dünya çapında epey ilgi çekti -- bu verilerin sanal otopsilerde kullanılması. Anımsayın, çok ama çok büyük veri setlerine baktınız ve bizim bu tüm-vücut taraması ile neler yapabildiğimizi gördünüz. Vücudu bir bütün olarak BT tarayıcısından geçiriyoruz, ve birkaç saat içinde tüm-vücut veri seti elde edebiliyoruz. Bu görüntü, bir sanal otopsiden. Nasıl kat kat soyulduğunu görebiliyorsunuz. İlk gördüğünüz vücudun içinde geldiği ceset torbası, sonra deriyi soyuyorum --kasları görebilirsiniz-- sonunda bu kadının kemiklerine kadar ineceksiniz.
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.
Bu noktada, size şimdi göstereceğim kişilerin görüntülerine büyük bir saygı duyduğumu belirtmek isterim. Size birkaç sanal otopsi örneği göstereceğim -- göstereceğim örneklerde yer alan vahşice öldürülen bu insanlara büyük saygı duyduğumu belirtmek isterim. Adli bir vakada -- ki geçtiğimiz dört yıl içinde benim de yaşadığım İsveç'in bu bölgesinde her yıl sanal otopsi yapılan yaklaşık 400 vaka mevcut. Bu vakalardaki tipik iş akışı şöyledir. Polis akşamdan vakalara karar verir bir vaka geldiğinde -- tamam derler, bu otopsi yapılması gereken bir vaka. Böylece, sabahleyin, saat 6 ile 7 arasında cesetler, ceset torbalarının içinde merkezimize getirilirler ve BT tarayıcılarından biri ile taranırlar. Daha sonra radyolog ve patolog, bazen de adli tıp uzmanı bir araya gelirler ve çıkan verilere bakarlar. Ancak bundan sonra vakaya gerçek otopsi yapıp yapmamaya karar verilir.
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.
Birkaç örnek vakaya beraber bakalım. Bu ilk vakalarımızdan biri. Veri setinin detaylarını gerçekten de görebilirsiniz; çok yüksek çözünürlükte. Tüm detaylara yakın görüş imkanı sağlayan şey bizim algoritmalarımız. Tekrar belirteyim, bunlar tamamen interaktif, yani buradaki sistemleri döndürebilir ve istediğiniz şeye gerçek zamanlı olarak bakabilirsiniz. Bu vaka hakkında çok birşey söylemeye gerek yok, bu bir trafik kazası, alkollü bir sürücü bu kadına çarpmış. Kemik yapılarındaki hasarı görmek çok ama çok kolay. Ölüm nedeni boyun kırılması. Aynı zamanda araba bu kadının üzerinden de geçmiş, bu kaza gerçekten onu çok ciddi şekilde zedelemiş.
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.
Bu başka bir vaka, bir bıçaklanma. Bu vaka da neler yapabileceğimizi çok iyi gösteriyor. Vücut içinde kalan metal kalıntılarına bakmamız çok kolay. Dişlerde de bazı artifaktlar görüyorsunuz -- bunlar diş dolguları -- bunları görüyorsunuz çünkü ayarları sadece metalleri gösterecek ve bunun dışındaki herşeyi şeffaflaştıracak hale getirdim. Bu bir başka şiddet vakası. Bu kişiyi öldüren şey bu değil. Bu kişi, kalbinden bıçaklandığı için ölmüş, ama katiller işleri bitince bıçağı göz kürelerinden birine saplayıp bırakmışlar. Bu başka bir vaka. Bizim için, bu tip bıçaklanma olaylarına böyle bakabiliyor olmak çok ilginç. Burada bıçağın kalbi nasıl deldiğini görüyorsunuz. Havanın bir taraftan diğer tarafa sızdığını görmek çok kolay. Ki bunu görmek standart bir otopside çok zordur. Bu teknik, adli kovuşturmada ölüm nedenini bulma konusunda çok ama çok yardımcı olup, bazı vakalarda soruşturmanın doğru yöne gitmesini sağlayarak katilin bulunmasına yardımcı oluyor.
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.
Benim ilginç bulduğum bir başka vaka. Burada, bu kişinin omurgasına saplanmış olan bu kurşunu görebiliyorsunuz. yaptığımız kurşunu bir ışık kaynağı haline getirmek, böylece ışıldıyor ve onu bu parçalar arasında bulmak kolaylaşıyor. Fiziksel bir otopside, bu parçaları bulmak için organların arasını eşelemeniz gerekir, ki bu oldukça zor bir şeydir.
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.
Bugün, burada size göstermekten mutluluk duyduğum şeylerden biri de bizim sanal otopsi masamız. Bu algoritmaları baz alarak ve standart grafik GPU'ları kullanarak geliştirdiğimiz bir dokunmatik cihaz. Aslında şöyle birşey, size nasıl olduğunu anlatmak istiyorum. Dev bir iPhone gibi çalışıyor aslında. Bir masada yapacağınız tüm hareketleri buna uyarladık. Bunu dev bir dokunmatik arayüz olarak düşünün. Yani eğer bir iPad almayı planlıyorsanız, boşverin, onun yerine bunu alın. Steve, umarım sen de izliyorsundur bunu. Yani bu çok hoş bir cihaz. Eğer bir fırsat bulursanız mutlaka deneyin. Bizzat yaşanması gereken bir deneyim. Biraz ilgi yarattık, şimdi bunu yaygınlaştırmaya ve eğitim amaçlı kullanılmasını sağlamaya çalışıyoruz, hatta ileride belki klinik ortamda da kullanılabilir. Bu bilgiyi başkaları ile de paylaşmak isterseniz You Tube'da sanal otopsilerle ilgili bir video var, izleyebilir veya yükleyebilirsiniz.
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.
Peki, dokunmaktan bahsediyorduk, veriye gerçekten dokunmaya geçelim. Bunun biraz bilim kurgu gibi göründüğünü biliyorum, işte şimdi geleceğe doğru bakıyoruz. Bu, doktorların şu an kullanmakta olduğu bir şey değil, ama umuyorum gelecekte olacak. Solda gördüğünüz bir dokunmatik cihaz. Küçük mekanik bir kalem. Bu kalemin içinde çok hızlı step motorları var, böylelikle bir güç geribildiriminde bulunabiliyor. Yani gerçek anlamda veriye dokunduğum zaman, bu, kalemde dokunma kuvvetleri yaratacak, ve ben bir geribildirim alacağım. Bu örnekte, veri, yaşayan bir insanın tomografisi. Elimde bu kalemle veriye bakıyorum, kalemi kafaya doğru yaklaştırıyorum, birden bir engel hissediyorum elimde. Böylelikle deriyi hissedebiliyorum. Biraz daha kuvvetle bastırırsam, deriyi geçebilirim, ve içerideki kemik yapıyı hissedebilirim. Daha da hızlı bastırırsam, kemik yapının da içine girebilirim, özellikle de kemiğin yumuşak olduğu kulağa yakın yerlerdeysem. Daha sonra içerideki beyin dokusunu hissedebilirim, böyle yumuşak bir hissi olacaktır.
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.
Bu gerçekten çok güzel. Daha da ileri gidecek olursak, bu kalp. Gene bu yeni tarayıcılar sayesinde, sadece 0.3 saniyede tüm kalbi tarayabilirim. Bunu zaman çözünürlüklü yapabilirim. Böylece kalbe bakarken, bu videoyu çalıştırabilirim. Bu Karljohan, bu projede çalışan doktora öğrencilerimden biri. Burada, Haptic cihazının, bu güç geribildirimi cihazının önünde oturuyor, elindeki kalemi kalbe yaklaştırıyor, şu an kalp önünde atıyor, böylelikle kalbin nasıl attığını görebiliyor. Kalemi aline alıp kalbe doğru yaklaştırıyor, kalbe dokunuyor, ve yaşayan bir hastanın kalp atışlarını hissedebiliyor. Böylece kalbin hareketlerini inceleyebilir. Kalbin içine girip, içeriden dokunabilir, ve kalp kapaklarının nasıl hareket ettiğini hissedebilir. Bence bu, kalp cerrahlarının geleceği. Büyük ihtimalle kalp cerrahlarının fantazilerini bu cihaz süslüyordur, ameliyat yapmadan önce, hastanın kalbinin içine girip bakmak, hem de yüksek çözünürlüklü veri ile. Gerçekten fantazi.
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.
Şimdi bilim kurgu alanına biraz daha girelim. Daha önce işlevsel MRI ile ilgili birşeyler duymuştuk. Şimdi bu gerçekten ilginç bir proje. MRI, beyni ya da vücudun herhangi bir yerini görüntüleyebilmek için radyo dalgaları ya da manyetik alanlar kullanıyor. Burada bizim esas elde ettiğimiz şey beynin yapısına ait bilgi elde etmek. Fakat, aynı zamanda oksijen bakımından zengin kan ile oksijeni az olan kan arasındaki manyetik özellikler farkını da ölçebiliriz. Bu demek oluyor ki, beyin faaliyetlerinin haritasını çıkarabiliriz. Şu anda üzerinde çalıştığımız şey bu. Burada gördüğünüz Motts, bizim araştırma mühendisimiz MRI cihazına giriyor. Gözünde gözlükler var. Bu gözlüklerle, tarayıcı içindeyken görebilir, ben de ona tarayıcıdayken birşeyler gösterebilirim. Bu biraz ürkütücü, çünkü Motts aslında bunu görüyor. Kendi beynini. Motts burada birşeyler yapıyor. Muhtemelen sağ eliyle böyle yapıyor, çünkü sol taraf motor korteks tarafından aktif durumda. Aynı zamanda bunu da görebiliyor. Bu görseller çok yeni. Son zamanlarda araştırdığımız şeylerden biri de bu.
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.
Bu gördüğünüz Motts'un beyninin bir başka aktivitesi. Burada Motts'dan 100'den başlayarak geriye saymasını istedik. "100, 97, 94...." diye sayıyor. Geriye doğru sayarken, beynin şurasındaki ufak matematik işlemcisinin çalıştığını ve bütün beyni aydınlattığını görebilirsiniz. Muhteşem bir şey. Gerçek zamanlı olarak yapabiliriz bunu. Bazı şeyleri araştırabilir. Ona birşeyler yapmasını söyleyebiliriz. Aynız amanda kafasının arka kısmındaki görme alanının da aktif hale geldiğini görüyorsunuz, çünkü baktığı şey bu, kendi beynine bakıyor. Aynı zamanda biz ona birşeyler yapmasını söylediğimizde bizim komutlarımızı da duyuyor. Bu sinyal beynin epey derinlerinde olmasına rağmen, ışıltısı görülebiliyor, bunun nedeni buradaki yüksek veri miktarı. Biraz sonra şunu göreceksiniz -- Tamam, burada. Motts sol ayağını oynatıyor. Böyle yapıyor. 20 saniye boyunca böyle yapıyor, birden yukarılarda bir yer ışıldamaya başlıyor. Burada aktive olan yer motor korteks. Bu gerçekten çok ama çok hoş. ve bence müthiş bir cihaz. Bir önceki konuşmaya bir bağlantı yapacak olursam, bu sinir hücrelerinin, beynin nasıl çalıştığını gerçekten de anlamamıza yarayacak bir cihaz. Ve bunu çok ama çok iyi bir çözünürlükle ve görüntü kalitesiyle yapabiliriz.
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.
Bizim merkezimizde arada eğlendiğimiz zamanlar da oluyor. Bu bir Bilgisayar Destekli Tomografi ( CAT scan). Bu yerel hayvanat bahçesinden bir aslan, Norrkoping'in heme dışından, Elsa, Kolmarden'den. Bizim merkezimize geldi, onu uyuşturdular ve hemen tarayıcının içine koydular. Elbette, bu aslana ait tüm veri setini ben de edindim. Ve bu verilerle çok hoş görüntüler elde edebilirim. Aslanın üzerinden bir tabaka sıyırabilirim. Onun içine bakabilirim. Bununla epey bir deney yaptık. Bence, bu cihaz, bu teknolojinin geleceği için çok önemli. Çünkü, hayvan anatomisi hakkında çok az şey biliniyor. Veterinerler, çok basit ve temel şeyleri biliyorlar. Her şeyi tarayıcıya sokabiliriz, her tür hayvanı. Tek sorun makineye sığıdarabilmek. Burada bir ayı var. Makineye sokmak biraz zor oldu. Ayı sevecen, yumoş bir hayvan değil mi? İşte burada. Ayının burnunu görüyorsunuz. Ama fonksiyonları değiştirip de öyle bakarsanız onu artık pek yumoş bulmayabilirsiniz. Ayılara dikkat edin.
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.
Bu noktada, bu görüntüleri oluşturmama yardımcı olan herkese çok teşekkür etmek istiyorum. Bunu yapmak çok büyük bir emek gerektirdi, verileri toplamak, algoritmaları geliştirmek, bütün bu yazılımı yapmak. Hepsi çok yetenekli insanlar. Benim prensibim her zaman, benden daha zeki insanları işe almak olmuştur ve bu kişilerin çoğu benden çok daha zeki.
So thank you very much.
Hepinize çok teşekkür ederim.
(Applause)
(Alkışlar)