Ultrasound imaging plays a critical role in clinical practice as a valuable tool for visualizing patient anatomy. However, conventional 2D ultrasound scans present a significant limitation by lacking spatial context, which hinders the accurate identification and localization of structures within the scanned region. To improve spatial understanding, a popular solution for 3D reconstruction and visualization of anatomy is freehand 3D ultrasound. Yet, existing methods for 3D ultrasound reconstruction commonly average over multiple observations for a region of interest, leading to the loss of crucial directional information essential for understanding acoustic phenomena. After the volume is reconstructed, it becomes infeasible to render a B-mode image that represents view-dependent information in a way that simulates how an ultrasound system captures a frame. This thesis addresses the challenge of view-dependent rendering and presents a new approach called neural radiance fields for ultrasound imaging (Ultra-NeRF). Through the application of deep learning techniques and incorporating a ray-based rendering method for ultrasound, a novel 3D ultrasound representation is introduced. This representation allows for the regression of anisotropic acoustic tissue properties, enabling the view-dependent rendering of B-mode images. However, estimating rendering parameters is a highly unconstrained task leading to ambiguity in representing a B-mode image in the parameter space. This thesis proposes regularization based on the relationship between tissue properties, which constrains the regression space of rendering parameters, enhancing the accuracy and reliability of the regressed parameters. The proposed method's ability to render view-dependent B-mode images is validated through experimental evaluations. These evaluations utilize simulated B-mode images of a liver and real B-mode images of a synthetic and exvivo phantom of a spine. It is experimentally demonstrated, that the method excels in rendering regions with ambiguous representation caused by view-dependent differences in B-mode images of the same region of interest. To the best of my knowledge, this work is the first to tackle the challenge of view-dependent ultrasound image synthesis using neural radiance fields. By accurately preserving view-directional information, the approach offers several advantages, including the examination of missed cross-sectional planes, flexibility in scanning protocols, and potential automation of scanning protocols and image analysis.     «

Ultrasound imaging plays a critical role in clinical practice as a valuable tool for visualizing patient anatomy. However, conventional 2D ultrasound scans present a significant limitation by lacking spatial context, which hinders the accurate identification and localization of structures within the scanned region. To improve spatial understanding, a popular solution for 3D reconstruction and visualization of anatomy is freehand 3D ultrasound. Yet, existing methods for 3D ultrasound recons...     »

Die Ultraschallbildgebung spielt in der klinischen Praxis eine entscheidende Rolle als wertvolles Instrument zur Visualisierung der Patientenanatomie. Herkömmliche 2D-Ultraschallscans stellen jedoch eine erhebliche Einschränkung dar, da ihnen der räumliche Kontext fehlt, was die genaue Identifizierung und Lokalisierung von Strukturen innerhalb der gescannten Region erschwert. Um das räumliche Verständnis zu verbessern, ist freihändiger 3D-Ultraschall eine beliebte Lösung für die 3D-Rekonstruktion und Visualisierung der Anatomie. Bestehende Methoden zur 3D-Ultraschallrekonstruktion mitteln jedoch häufig über mehrere Beobachtungen für einen interessierenden Bereich, was zum Verlust entscheidender Richtungsinformationen führt, die für das Verständnis akustischer Phänomene unerlässlich sind. Nachdem das Volumen rekonstruiert wurde, ist es nicht mehr möglich, ein B-Modus-Bild zu rendern, das ansichtsabhängige Informationen auf eine Weise darstellt, die simuliert, wie ein Ultraschallsystem ein Bild erfasst. Diese Arbeit befasst sich mit der Herausforderung des ansichtsabhängigen Renderns und stellt einen neuen Ansatz namens neuronale Strahlungsfelder für die Ultraschallbildgebung (Ultra-NeRF) vor. Durch die Anwendung von Deep-Learning-Techniken und die Integration einer strahlenbasierten Rendering-Methode für Ultraschall wird eine neuartige 3D-Ultraschalldarstellung eingeführt. Diese Darstellung ermöglicht die Regression anisotroper akustischer Gewebeeigenschaften und ermöglicht so die ansichtsabhängige Darstellung von B-Mode-Bildern. Das Schätzen von Rendering-Parametern ist jedoch eine äußerst uneingeschränkte Aufgabe, die zu Mehrdeutigkeiten bei der Darstellung eines B-Modus-Bildes im Parameterraum führt. In dieser Arbeit wird eine Regularisierung vorgeschlagen, die auf der Beziehung zwischen Gewebeeigenschaften basiert und den Regressionsraum der Rendering-Parameter einschränkt und so die Genauigkeit und Zuverlässigkeit der regressierten Parameter verbessert. Die Fähigkeit der vorgeschlagenen Methode, ansichtsabhängige B-Modus-Bilder zu rendern, wird durch experimentelle Auswertungen validiert. Diese Auswertungen nutzen simulierte B-Modus-Bilder einer Leber und reale B-Modus-Bilder eines synthetischen und ex-vivo-Phantoms einer Wirbelsäule. Es wurde experimentell nachgewiesen, dass sich die Methode bei der Darstellung von Regionen mit mehrdeutiger Darstellung auszeichnet, die durch ansichtsabhängige Unterschiede in B-Modus-Bildern derselben interessierenden Region verursacht werden. Meines Wissens nach ist diese Arbeit die erste, die sich mit der Herausforderung der blickabhängigen Ultraschallbildsynthese unter Verwendung neuronaler Strahlungsfelder befasst. Durch die genaue Beibehaltung der Blickrichtungsinformationen bietet der Ansatz mehrere Vorteile, darunter die Untersuchung übersehener Querschnittsebenen, Flexibilität bei Scanprotokollen und eine mögliche Automatisierung von Scanprotokollen und Bildanalysen.     «

Die Ultraschallbildgebung spielt in der klinischen Praxis eine entscheidende Rolle als wertvolles Instrument zur Visualisierung der Patientenanatomie. Herkömmliche 2D-Ultraschallscans stellen jedoch eine erhebliche Einschränkung dar, da ihnen der räumliche Kontext fehlt, was die genaue Identifizierung und Lokalisierung von Strukturen innerhalb der gescannten Region erschwert. Um das räumliche Verständnis zu verbessern, ist freihändiger 3D-Ultraschall eine beliebte Lösung für die 3D-Rekonstrukt...     »