Introduction. La mise en place d’une endoprothèse aortique entraine des modifications anatomiques, notamment au niveau iliaque, en lien avec l’introduction de matériel rigide. L’anticipation de ces déformations permettrait d’une part un sizing préopératoire plus précis mais aussi une navigation plus fluide. Grace à des algorithmes intégrant du deep learning, il est possible de les prévoir à partir d’un logiciel de sizing utilisé en pratique courante. Cette étude avait pour objectif de mesurer la précision du masque de fusion 3D déformé par anticipation. Méthodes. Il s’agit d’une étude monocentrique prospective menée au CHU de Rennes de Juin à Décembre 2024. Tous les patients bénéficiant d’une endoprothèse aortique étaient inclus. Le sizing était réalisé avec EndoSize (Therenva) et les masques de fusion générés étaient ensuite exportés vers la station de fusion EndoNaut. Afin de quantifier la précision du masque de fusion déformée vs non déformée, l’angiographie peropératoire a été utilisée comme référence. Quatre critères ont été évalués pour comparer certains points du masque 3D déformé (Def) et non déformé (Nodef) avec l’angiographie (Art) : position des ostia rénaux et hypogastriques, le pourcentage de guide qui passait dans l’iliaque (%gui) et la distance Hausdorff (Hd) (Moyenne des distances minimales) entre les artères iliaques. Résultats. 31 patients ont été inclus (10 EVAR, 8 Branchée iliaque, 12 FEVAR, 1 BEVAR). Le temps nécessaire pour générer le masque (Def) dans EndoSize était < 45 sec/patient. La distance de position des ostia des artères rénales entre (Art) et (Nodef) était de 5,7 ± 4,3 mm et de 3,4 ± 2,7 mm entre (Art) et (Def) (p<0,001). La distance de position des ostia des hypogastriques entre (Art) et (Nodef) était de 8,7 ± 7,8 mm et de 8,6 ± 6,7 mm entre (Art) et (Def) (p=0,9). Le (%gui) était de 46,5 ± 19,5% sur le masque (Nodef) et de 57,9 ± 17,1 % sur le masque (Def) (p<0,001). La (Hd) était de 2,7 ± 0,7 mm sur le masque (Nodef) et de 2,2 ± 0,5 mm sur le masque (Def) (p<0,001). Conclusion. Cette étude montre qu’avec un algorithme intégré dans un logiciel de sizing, il est possible de générer facilement un masque de fusion d’images qui est plus précis que le masque de fusion habituel non déformé. Une variété de cas plus complexes au plan anatomique permettra d’améliorer les performances de cette anticipation