Browsing by Author "Akşahin, Mehmet Feyzi"

Now showing 1 - 5 of 5

Elektromiyografi sinyallerinden miyopati, nöropati ve sağlıklı grupların sınıflandırılması
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Işık, Atakan; Akşahin, Mehmet Feyzi
Elektromiyografi(EMG) kasların elektriksel aktivitelerini incelemek amacıyla kullanılan bir tekniktir. Özellikle vücutta bulunun çizgili kas veya iskelet kası olarak isimlendirilmiş kas dokusunun fizyolojik durumunu incelemekte kullanılmaktadır. EMG sinyali elde edilirken temelde 2 farklı elektrot kullanılır. Bunlardan biri yüzey elektrotlar iken diğer ise iğne elektrot diye adlandırılan invaziv uygulanan bir elektrot çeşididir. Tıbbi olarak en sık kullanılanı iğne elektrottur. EMG sinyali kasların her bir iğciğinde oluşan sinirsel aksiyon potansiyellerinin toplanmasıyla oluşmaktadır. Bu sinyal miyopati(kas hastalığı) ve nöropati(sinir hastalığı) bulguları olan hastalarda sağlıklı bir bireye göre değişiklik göstermektedir. Bu çalışmada EMGLAB adlı veri tabanından alınan skorlanmış klinik EMG verilerinin zaman ve Frekans düzlemindeki analizleri ile miyopati ve nöropati skorlaması yapabilen bir karar destek sistemi oluşturulmaya çalışılmıştır. Zaman düzleminde ortalama mutlak değer, sıfır geçiş oranı ve willison genliği analizleri yapılmıştır. Frekans düzleminde güç spektral yoğunluğu için analizler yapılmıştır. Bunun yanı sıra ayrık dalgacık dönüşümü yöntemi ile EMG sinyali alt bantlarına ayrılmış ve 2. yaklaşık alt bantın frekans analizi welch yöntemiyle güç spektral yoğunluğu hesaplamak olmuş ve bu güç spektral yoğunluğunda çeşitli öznitelikler çıkarılmıştır. Bu öznitelikler kullanılarak eğitilen farklı makine öğrenme yöntemleri ile başarılı sınıflandırma sonuçları elde edilmiştir. Electromyography (EMG) is a technique used to analyse the electrical activities of muscles It is especially used to examine the physiological state of muscle tissue called striated muscle or skeletal muscle in the body. Two different electrodes can be used to obtain the EMG signal. One of them is surface electrodes and the other is an invasive electrode type called needle electrode. The most common medical use is the needle electrode. The EMG signal is the sum of the nerve action potentials that occur in each spindle of the muscles. This signal varies according to a healthy individual in patients with signs of myopathy (muscle disease) and neuropathy (nerve disease). In this study, a decision support system capable of scoring myopathy and neuropathy with time and frequency analysis of the clinical EMG data obtained from the EMGLAB database was attempted. Mean absolute value, zero crossing rate and willison amplitude analyzes were performed in time plane. Analyzes were made for power spectral density on the frequency plane. In addition, the EMG signal is separated into sub-bands by discrete wavelet transform method and the frequency analysis of the second approximate subband is to calculate the power spectral density by the welch method and various attributes are extracted from this power spectral density. Successful classification results were obtained with different machine learning methods trained using these attributes.
Manyetik rezonans anjiyografi görüntülerinden beyin damarlarının bölütlemesi
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Özen, Şinasi Kutay; Akşahin, Mehmet Feyzi
İnsan vücudunun en karmaşık organı olan beyin çeşitli radyoloji cihazları görüntülenmekte ve incelenmektedir. Günümüzde girişimsel olmaması ve yüksek ayrıntıya sahip olması nedeniyle beyin görüntülemelerinde manyetik rezonans cihazları kullanılmaktadır. Beynin karmaşık yapısı nedeniyle doktorlar için manyetik rezonans cihazı görüntülerini bilgisayarlı tanı destek sistemleri olmadan incelemek zorlu bir süreçtir. Bilgisayarlı tanı destek sistemlerinin temelini görüntü bölütleme yöntemleri oluşturmaktadır. Tanı sisteminin görüntülerdeki yapıları ayırt etmesi ve buna göre inceleme yapması gerekmektedir. Bu sebeple, gerçekleştirilen bu tez çalışmasında, beyin damarlarını beyindeki diğer doku ve yapılardan tam otomatik şekilde ayıran görüntü bölütleme algoritması sunulmuştur. Bu algoritmanın temelinin oluşturulabilmesi için ilgili literatürler incelenmiş ve çalışmanın geliştirilmesinde göz önünde bulundurulmuştur. Yapılan incelemeler sonucunda anjiyogramlarda damar yoğunluğunun görüntüden görüntüye büyük ölçüde değişiklik gösterdiği ve görüntü arka plan yoğunluğunun ise bölgeden bölgeye değişti gözlendi. Bu nedenle, görüntü üzerinde yalnızca voksel yoğunluğuna göre bölütleme yaparak tatmin edici sonuçlar elde etmenin zorluğu göz önüne alındı. Ayrıca, karmaşık damar geometrisi ve bitişik olmayan yapıların damar bölütlemesi sonuçlarının doğruluğunu olumsuz yönde etkilediği literatürde görüldü. Bahsedilen zorluklar göz önüne alınarak, bu çalışmada iki aşamalı bölütleme yapıldı. İlk aşama olarak beyin dokusu, kafatası, göz ve burun gibi yapılardan ayrıldı. Bu aşamanın tam otomatik olarak çalışabilmesi için kör görüntü analizi yöntemi denilen temel referans bir görüntü yerine kendisine öğretilen bir model ile görüntü analizi yapan yöntem kullanıldı. Bu yöntem sayesinde uçuş zamanı formatındaki manyetik rezonans anjiyogramları üzerinde kullanılan filtrelerin değerleri kullanıcıdan bağımsız tam otomatik şekilde seçilmiş oldu. İkinci aşama olarak bölütlenmiş beyin dokusu üzerinden beyin damarı görüntüleri bölütlendi. Bu işlem sırasında voksel yoğunluğu, damar ağı komşulukları ve damar ağı yapısı özellikleri kullanıldı. Elde edilen beyin dokusu ve beyin damarı görüntüleri dice katsayısı yöntemi ile elle bölütlenmiş görüntülerle karşılaştırıldı. İçerisinde ortalama 100 adet imge bulunduran 45 veri seti üzerinde yapılan değerlenme sonucunda beyin dokusu için %90.11 dice katsayı ve beyin damarları için %93.33 dice katsayısı elde edildi.The brain, as one of the most complex organ of the human body, has been imaged and examined by various radiology devices. Nowadays, magnetic resonance devices are used in brain imaging because of their non-invasive nature and high detail analysis. Indeed, due to the complex structure of the brain, it is a tedious process for medical doctors to examine via magnetic resonance device images without the aid of the computerized diagnostic support systems. Image segmentation methods constitute the basis of computerized diagnosis support systems. The diagnostic system should distinguish the structures in the images, and examine them accordingly. Therefore, in this thesis, an image segmentation algorithm that fully automatically separates brain vessels from the other tissues and structures in the brain is presented. In order to form the basis of this algorithm, the relevant literature survey has been conducted, and accordingly the previous reports studies have been carefully considered in the development of the current study. As a result of the performed examinations, it was observed that the density of the vessels in the angiograms varied greatly from image to image, and the intensity of the image background changed from region to region. Therefore, the difficulty of obtaining satisfactory results by segmentation on the image only according to voxel density was considered. In fact, the literature survey reveals that the discomfort caused by complex vessel geometry and non-adjacent structures affects negatively the accuracy of results obtained by vessel segmentation. Considering the mentioned difficulties, a two-stage segmentation was performed in this study. Initially, brain tissue was separated from structures such as skull, eyes and nose. In order to efficient results, a method that fully automatically analyses the images inherently was used instead of a basic reference image called blind image analysis. Accordingly, the values of the filters utilized on magnetic resonance angiograms in the time-of-flight format were selected in a fully automatic mode, independent of the user. As a second step, brain vessel images were segmented over the segmented brain tissue. During this procedure, voxel density, vascular network neighbourhoods, and vascular network structure characteristics were evaluated. The obtained brain tissue and brain vessel images were compared with the manually segmented images using the dice coefficient method. As a result of the evaluation made on 45 data sets by finding an average of 100 frames in it, a 90.11% and 93.33% dice coefficient was obtained respectively for the brain tissue and brain vessels.
Multipl skleroz (MS) ve sağlıklı elektroensefalografi sinyallerinin sınıflandırılması
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Karaca, Büşra Kübra; Akşahin, Mehmet Feyzi
Multipl Skleroz (MS), merkezi sinir sisteminin otoimmün olduğu düşünülen kronik, inflamatuar bir demiyelinizan hastalığıdır. MS’in erken tanısı hastalığın tedavisi ve seyri için büyük önem taşımaktadır. Klinikte MS tanısı için manyetik rezonans görüntüleme (MRG), beyin omurilik sıvısı (BOS) ve uyarılmış potansiyeller kullanılmaktadır. Kullanılan bu yöntemlerin invaziv veya pahalı olması teşhis için zorluk yaratmaktadır. Hastalığın teşhisi için doğru ve etkili bir yol bulmanın önemi zamanla artmıştır. Bu doğrultuda, MS’de görülen demiyelinizasyon ve aksonal hasar sonucunda beynin serebral korteksinin etkilenmesi ve buna bağlı olarak da nöronların aktivitesinin değişmesi nedeniyle elektroensefalografi (EEG) analizinin hastalığın ön tanısına katkı sağlayacak bir yöntem olabileceği düşünülmektedir. Bunun nedeni, EEG’nin binlerce nöronun senkronize aktivitesi tarafından üretilen elektriksel potansiyeli ölçmesidir. Bu bilgilerden yola çıkılarak, bu çalışmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’nde MS tanısı konulan ve sağlıklı bireylerden alınan EEG sinyalleri analiz edilmiş ve bu iki grubu birbirinden ayırabilecek farklılıklar belirlenmiştir. Bu farklılıklar temel alınarak makine öğrenmesi yaklaşımları ile MS ve sağlıklı bireyleri yüksek doğrulukta sınıflandırabilecek bir yöntem geliştirilmesi amaçlanmıştır. Çalışmanın ilk aşamasında göz kapalı dinlenim durumunda alınan EEG sinyalleri için hemisferler arası ve hemisferler içi kanal çiftleri arasında senkronizasyon analizi gerçekleştirilmiştir. Bu doğrultuda, koherans analizi ve karşılıklı bilgi kestirimi yöntemleri uygulanmıştır. Koherans analizi sonucunda, EEG alt bantlarına (delta, teta, alfa, beta ve gama) karşılık gelen frekans aralıklarının normalize koherans spektrum eğrisinin altında kalan alanları ve kanal çiftlerinin karşılık bilgi değerleri öznitelik olarak belirlenmiştir. Çalışmanın ikinci aşamasında ise 5 Hz, 10 Hz, 15 Hz, 20 Hz ve 25 Hz frekanslarında ışıklı uyarım durumunda alınan EEG sinyallerine sürekli dalgacık dönüşümü yöntemi uygulanmıştır. Analiz sonucunda sırasıyla bu frekans uyarımı bölgelerine karşılık gelen dalgacık dönüşümü katsayıları hesaplanmıştır. Her uyarım bölgesindeki “1-4 Hz” ve “4-13 Hz” frekans aralıklarına karşılık gelen mutlak dalgacık katsayılarının toplamları, maksimumları, standart sapmaları ve minimumları öznitelik olarak belirlenmiştir. Göz kapalı ve ışıklı uyarım EEG sinyalleri için belirlenen öznitelikler kullanılarak k en yakın komşu, destek vektör makinesi, karar ağaçları ve topluluk yöntemleri ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonunda, göz kapalı EEG ve ışıklı uyarım EEG sinyalleri için yüksek doğruluk oranında MS ve sağlıklı ayrımı yapabilen bir karar destek sistemi geliştirilmiştir Multiple Sclerosis (MS) is a chronic, inflammatory demyelinating disease of the central nervous system that is thought to be autoimmune. Early diagnosis of MS is of great importance for the treatment and course of the disease. Magnetic resonance imaging (MRI), cerebrospinal fluid (CSF) and evoked potentials are used in the diagnosis of MS. These methods are invasive or expensive, making it difficult to diagnose. In this respect, electroencephalography (EEG) analysis may be a method that will contribute to the pre-diagnosis of the disease due to the effect of cerebral cortex of the brain as a result of demyelination and axonal damage seen in MS. This is because EEG measures the electrical potential generated by the synchronized activity of thousands of neurons. Based on this information, in this study, EEG signals obtained from healthy individuals diagnosed with MS in Neurology Clinic of Başkent University Ankara Hospital were analyzed and the differences that could distinguish these two groups were determined. Based on these differences, it is aimed to develop a method that can classify MS and healthy individuals with high accuracy by machine learning approaches. In the first stage of the study, synchronization analysis was performed between inter-hemispheric and intra-hemispheric channel pairs for EEG signals taken in eyes closed resting position. As a result of the coherence analysis, the areas of the frequency ranges corresponding to the EEG subbands (delta, theta, alpha, beta and gamma) under the normalized coherence spectrum curve and the mutual information values of the channel pairs were determined as features. In the second stage of the study, continuous wavelet transform method was applied to the EEG signals received in the case of photic stimulation at 5 Hz, 10 Hz, 15 Hz, 20 Hz and 25 Hz frequencies. As a result of this analysis, wavelet transform coefficients corresponding to these stimulation regions were calculated respectively. Sums, maximums, standard deviations and minimums of absolute wavelet coefficients corresponding to frequency ranges “1-4 Hz” and “4-13 Hz” in each stimulation regions were determined as features. Using the features determined for the eye closed and photic stimulation EEG signals, classification studies were performed with the nearest neighbor, support vector machine, decision trees and ensemble methods. At the end of the study, a decision support system was developed for eye-closed EEG and photic stimulation EEG signals that can distinguish MS and healthy at high accuracy rate.
Sağlıklı, hafif bilişsel bozukluk ve alzheimer hastalığı elektroensefalografi sinyallerinin sınıflandırılması
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2020) Oltu, Burcu; Akşahin, Mehmet Feyzi
Demans terimi, beyin hücrelerinin ölümü veya hasar görmesi nedeniyle bilişsel ve davranışsal fonksiyonların bozulması ile karakterize edilen nörodejeneretif bozukluğu tanımlar. Demansın en yaygın görülen türü olan Alzheimer Hastalığı (AH) bilişsel, entelektüel eksiklikler ve davranış bozuklukları ile karakterize edilen progresif bir hastalıktır. Hafif bilişsel bozukluk (HBB) ise yaşları için beklenenin ötesinde bilişsel bozukluk gösteren; fakat AH tanı ölçütlerini karşılayacak kadar kuvvetli semptomlar göstermeyen bireyleri tanımlar. Her yıl yaklaşık %10-15 oranında HBB hastası, AH’ye ilerlemektedir. Bu hastalıkların teşhisi; bilişsel testlerin, fiziksel ve nörolojik muayenelerin, nörogörüntüleme yöntemlerinin, kan ve beyin omurilik sıvısı incelemelerinin sonuçlarının yorumlanmasıyla yapılır. Dolayısıyla tanı süreci zaman alan, hedef hasta popülasyonu için zorlukları olan ve subjektif sonuçlar verebilen bir süreçtir. Bunun yanında demansın erken teşhisi hastalara ve yakınlarına bu süreci planlamaları için zaman tanımaktadır. Aynı zamanda bu hastalıkların tedavisi olmasa da erken evrede başlanan tedavi süreçleri, hastalığın ilerlemesini yavaşlatabilir ve semptomların hafiflemesini sağlayabilir. Bu tez çalışmasında da AH ve HBB’nin tanısını sağlamak için, invaziv olmayan, ucuz, objektif sonuçlar verebilen bir yöntem olan elektroensefalografi (EEG) sinyallerinin kullanılabilirliği araştırılmıştır. Yapılan araştırmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği’ndeki uzman doktorlar tarafından yapılan teşhis doğrultusunda gerçek hastalardan toplanan EEG sinyalleri incelenmiştir. Çalışmada EEG sinyalleri, ayrık dalgacık dönüşümü (ADD), güç spektral yoğunluğu (GSY), koherans, sürekli dalgacık dönüşümü (SDD) yöntemleri kullanılarak incelenmiştir. Yapılan incelemeler sonucunda farklı yöntemler için farklı öznitelik çıkarımları yapılmıştır. Ayrık dalgacık yöntemi ile yapılan analizlerde sinyaller 6 alt banda (delta (0-4 Hz), teta (4-8 Hz), alfa (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gama (32-48 Hz)) ayrıştırılmış. Elde edilen 6 bandın ortalama, maksimum-minimum değerleri, varyansı ve standart sapması öznitelik seti olarak belirlenmiştir. Ayrıca elde edilen alt bantların GSY’sinin genlik toplamı ve varyansı frekans öznitelikleri olarak belirlenmiştir. Bunun yanında interhemisfer kanal çiftleri arasındaki koherans analizi sonucunda elde edilen normalize alt bant koheransları öznitelik olarak çıkartılmıştır. Son olarak sinyale uygulanan SDD sonucunda elde edilen, alt bant frekanslarına ait katsayıların ortalama, standart sapma ve kendi aralarındaki oranları kullanılarak farklı bir öznitelik seti oluşturulmuştur. Elde edilen öznitelik setlerinin AH, HBB ve sağlıklı kontrol EEG sinyallerini ayrıştırma başarısının ölçülmesi için destek vektör makineleri, k-en yakın komşu, karar ağaçları gibi sınıflandırıcı algoritmaları ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonucunda literatürdeki doğruluk oranlarına göre yüksek ya da aynı seviyede sonuçlar verebilen ve başarılı bir şekilde teşhis koyabilen bir karar destek sistemi geliştirilmiştir. The term dementia refers to neurodegenerative disorder characterized by impaired cognitive and behavioral functions due to death or damage of brain cells. Alzheimer's Disease (AD), the most common form of dementia, is a progressive disorder characterized by cognitive, intellectual deficits and behavioral disorders. Mild cognitive impairment (MCI), on the other hand, refers to individuals with cognitive impairment beyond their expectations for age, but not strong enough to meet the diagnostic criteria for AD. Every year, approximately 10-15 percent of MCI patients progress to AD. Diagnosis of these diseases is made by interpreting the results of cognitive tests, physical and neurological examinations, neuroimaging methods, and blood and cerebrospinal fluid examinations. Therefore, the diagnostic process is time-consuming, has difficulties for the target patient population and can yield to subjective results. In addition, early diagnosis of dementia gives patients and their families time to plan this process. At the same time, even there is no treatment for these diseases, treatment processes initiated at an early stage may slow down the progression of the disease and alleviate the symptoms. In this thesis, we’ve investigated the feasibility of electroencephalography (EEG), a noninvasive, inexpensive, objective method for the diagnosis of AD and MCI. In this study, EEG signals collected from real patients were examined in accordance with the diagnosis made by specialists in Neurology Clinic of Baskent University Ankara Hospital. In this study, EEG signals were examined by using discrete wavelet transform (DWT), power spectral density (PSD), coherence, continuous wavelet transform (CWT) methods. As a result of the investigations, different features were extracted for each different method. In the analysis made by DWT, the signals are decomposed into 6 sub bands (delta (0-4 Hz), theta (4-8 Hz), alpha (8-12 Hz), beta1 (12-16 Hz), beta2 (16-32 Hz), gamma (32-48 Hz)). Mean, maximum-minimum values, variance and standard deviation of the 6 sub bands were determined as a feature set. Moreover, the amplitude sum and variance of the PSD of the sub bands obtained were determined as frequency features. In addition, the normalized sub band coherences, obtained as a result of the coherence analysis between the interhemispheric channel pairs, were extracted as a feature set. Finally, a different feature set was formed by using the mean, standard deviation and the ratio of the coefficients of the sub-band frequencies obtained from the CWT analysis of the signal. In order to measure the success of discrimination of AD, MCI and healthy control EEG signals, classification studies were performed with classifier algorithms such as support vector machines, k-nearest neighbor and decision trees. As a result of this study, a decision support system was developed that can diagnose successfully and can yield higher or equal results in the means of accuracy of the literature.
Segmentation on brain MR ımages by using deep learning network and 3d modelling
(Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2021) Karayeğen, Gökay; Akşahin, Mehmet Feyzi
In the last few years, utilizing deep learning techniques for predicting tumor presence on brain MR images became quite common.We offer a semantic segmentation method that uses a convolutional neural network to autonomously segment brain tumors on 3D Brain Tumor Segmentation (BraTS) image data sets using four different imaging modalities in this research (T1, T1C, T2, and Flair). In addition, our research incorporates whole-brain 3D imaging and a comparison of ground truth and anticipated labels in 3D. This method was effectively applied to acquire specific tumor regions and measurements such as height, width, and depth, and images were presented in various planes including sagittal, coronal, and axial. In terms of tumor prediction, the evaluation findings of semantic segmentation performed by a deep learning network are extremely promising. The average prediction ratio was found to be 91.718. The mean IoU (Intersection over Union) score was 86.946 and the mean BF score was 92.938. Finally, the test images' dice scores revealed a considerable resemblance between the ground truth and predicted labels. As a result, semantic segmentation metrics and 3D imaging can both be viewed as useful for effectively diagnosing brain tumors. Calculating the surface areas of the brain, real and predicted labels, and applying this process to all slices is very useful in terms of comparing tumor volume information. As a result, the predicted volume values are very close to the ground truth volume values, showing that this study can determine the presence of tumors by the deep learning method and tumor size by surface area algorithm. In addition, the calculation of the brain tumor volume and 3D modeling will facilitate clear visualization of the tumor site and understanding the size of the tumor. Son yıllarda beyin MR görüntülerinde, tümör varlığının tahmin edilebilmesi için derin öğrenme tekniklerinin kullanımı oldukça yaygınlaşmıştır.Dört farklı görüntüleme modalitesinden (T1, T1C, T2 ve Flair) oluşan 3D Beyin Tümörü Segmentasyonu (BraTS) görüntü veri setlerinde beyin tümörünü otomatik olarak bölümlere ayırmak için konvolüsyonlu sinir ağını kullanarak semantik segmentasyon yöntemi sunulmaktadır. Ek olarak, piksel sınıflandırılması için ‘arka plan’ ve ‘tümör’ olmak üzere iki sınıf belirlenmiştir. Semantik segmentasyon sonuçlarının değerlendirilmesi için de ortalama IoU ve ortalama BFscore gibi metriklerden faydalanılmıştır. Ayrıca, kullanılan veri setindeki gerçek (ground truth) etiketleri ile oluşturulan ağın son katmanında elde edilen tahmin etiketlerinin karşılaştırılması, dice katsayısı kullanılarak karşılaştırılmıştır. Her iki etiket grubu kullanılarak, içerisinde tümörün yer aldığı 3 boyutlu beyin MR görüntüleri oluşturulmuştur. Sonuç olarak, test görüntüsü üzerinde yüksek oranda tümör tahmini gerçekleştirilmiştir. Oluşturulan 3 boyutlu beyin görüntüleri, tümörün genişlik, yükseklik ve derinliği hakkında cerrahlara planlama açısından görsel bir katkı sağlayabilir. Beyin, gerçek ve tahmin edilen etiketlerin yüzey alanlarının hesaplanması ve bu işlemin bütün kesitlere uygulanması tümör hacim bilgilerinin karşılaştırılması anlamında oldukça faydalıdır. Sonuç olarak tahmin edilen hacim değerlerinin, gerçek hacim değerlerine oldukça yakın olması, bu çalışmanın tümör varlığını derin öğrenme metodu ile tümör hacmin ise yüzey alanı algoritması ile tespit edilebileceğini göstermiştir. Bu çalışma, beyin tümörlerinin otomatik olarak tespit edilmesini sağladığı için, beyin tümör teşhislerinde önemli bir avantaj sağlayabilir. Ek olarak, beyin tümörünün hacminin hesaplanması ve 3 boyutlu modelleme sayesinde, tümör bölgesinin net olarak görüntülenmesi ve tümörün boyutlarının anlaşılmasını kolaylaştıracaktır.