Les procédures de revascularisation endovasculaires périphériques sont très fréquentes chez les patients atteints d’artériopathie oblitérante des membres inférieurs (AOMI). Le bilan préopératoire comprend de manière systématique un écho-doppler, parfois complété par un angioscanner ou un angio-IRM 3D. En l’absence d’imagerie 3D, la procédure de revascularisation commence par une artériographie diagnostique complète afin d’identifier les lésions avant de les traiter. Ce travail vise à augmenter l’apport de l’échographie grâce à la réalisation d’une cartographie préopératoire complète à l’échographie. En se basant sur une sonde échographique 2D, des réseaux de deep learning ont été entrainés pour estimer le déplacement relatif entre deux images consécutives d’une séquence de l’artère fémorale pour la reconstruire en 3D. Un réseau de segmentation permet d’extraire l’artère et de dimensionner les différentes lésions (longueur, diamètres). Un premier réseau dédié à l’estimation des déplacements dans les 6 axes de direction et un deuxième focalisé sur l’axe du plan d’élévation ont été proposés et évalués. Ce dernier repose sur la segmentation artérielle pour construire un volume centré sur l’artère et générer des vues stretched offrant un fort intérêt diagnostic. L’approche proposée est une étape vers l’utilisation de l’imagerie ultrasonore pour la cartographie 3D préopératoire, afin de simplifier l’identification et le dimensionnement des lésions et ainsi réduire la toxicité des procédures de revascularisations endovasculaires périphériques.