Magnetic Resonance Imaging (MRI) is a non-invasive medical imaging modality that is widely used by clinicians and researchers to picture body anatomy and neuronal function. However, long scan time remains a major problem. Recently, multiple techniques have emerged that reduce the acquired MRI signal samples, hence dramatically accelerating the acquisition. These techniques involve sophisticated signal reconstruction procedures that in essence require solving regularized optimization problems, and clinical adoption of accelerated MRI critically relies on self-tuning solutions for these problems. Further to this, recent experimental approaches in cognitive neuroscience favor employing naturalistic audio-visual stimuli that closely resemble humans' daily-life experience. Yet, these modern paradigms inevitably lead to huge functional MRI (fMRI) datasets that require advanced statistical and computational techniques to uncover the large amount of embedded information. Here, we propose a novel efficient data-driven self-tuning reconstruction method for accelerated MRI. We demonstrate superior performance of the proposed method across various simulated and in vivo datasets and under various scan configurations. Furthermore, we develop statistical analysis tools to investigate the neural representation of hundreds of action categories in natural movies in the brain via fMRI, and study their attentional modulations. Finally, we develop a model-based framework to estimate temporal extent of semantic information integration in the brain, and investigate its attentional modulations using fMRI data recorded during natural story listening. In short, the methodological and analytical approaches introduced in this thesis greatly benefit clinical utility of accelerated MRI, and enhance our understanding of brain function in daily life.

Manyetik rezonans görüntüleme (MRG) klinisyenler ve araştırmacılar tarafından vücut anatomisi ve sinirsel işlevi resmetmede yaygın olarak kullanılan müdahalesiz bir tıbbi görüntüleme yöntemidir. Fakat, görüntülemenin uzun sürüşü büyük bir problem olmaya devam etmektedir. Yakın zamanda, toplanan MRG sinyallerinin miktarını azaltarak ciddi bir hız artışına sebep olan birkaç teknik geliştirildi. Bu teknikler temelde birtakım düzenlenmiş optimizasyon problemleri çözümü gerektiren gelişmiş sinyal rekonstrüksiyon prosedürleri içermekte ve hızlandırılmış MRG'nin klinik uygulamalarda benimsenmesi bu problemlere getirilecek öz-ayar çözümlerine ciddi derecede dayanmaktadır. Ote yandan, bilişsel nörobilimdeki yeni deneysel yaklaşımlar insanların gündelik hayatta başlarından geçenlere oldukça benzeyen doğal işitsel-görsel uyaranların kullanımını teşvik etmektedir. Ancak, bu modern paradigmalar kaçınılmaz olarak büyük miktarda gömülü bilginin ortaya çıkarılması için gelişmiş istatistiksel ve sayısal tekniklerin kullanımını gerektiren devasa fonksiyonel MRG (fMRG) veri kümelerinin ortaya çıkmasına yol açmaktadır. Bu çalışmada hızlandırılmış MRG için yeni ve etkili bir veri-güdümlü öz-ayar rekonstrüksiyon metodu ileri sürüyoruz. Ileri sürülen metodun çeşitli temsili ve canlı üzerinde elde edilmiş (in vivo) veri kümeleri ve çeşitli görüntüleme konfigürasyonları altında üstün performans ortaya koyduğunu gösteriyoruz. Ayrıca, doğal filmlerdeki yüzlerce eylem kategorisinin beyindeki sinirsel temsilini ve bunların dikkate dayalı değişimlerini fMRG ile incelemek için istatistiksel analiz teknikleri geliştirdik. Son olarak beyindeki anlamsal bilgi entegrasyonunun zamansal kapsamını ölçmek ve dikkate dayalı değişimlerini doğal hikaye dinleme deneyinde toplanmış fMRG verisi kullanarak incelemek için modele dayalı bir altyapı geliştirdik. Ozetle, bu tezde ortaya konan metodolojik ve analitik yaklaşımlar hızlandırılmış MRG'nin klinik kullanımına ve gündelik hayatta beynin işleyişini anlamamıza büyük katkı sağlamaktadır.