Une radiothérapie externe repose sur l’acquisition d’une image scanner (computed tomography : CT) de planification. Celle-ci contient l’information des densités électroniques nécessaires au calcul de la dose à délivrer. Des images volumique, cone beam CT (CBCT), MV-CT ou imagerie par résonance magnétique (IRM), sont acquises pour le repositionnement du volume cible sous la machine de traitement. Ces images pourraient être utilisées pour quantifier l’impact dosimétrique des variations anatomiques pouvant survenir en cours de traitement. L’objectif de cette thèse était de développer, d’évaluer et de comparer des méthodes de calcul de dose à partir d’images CBCT et IRM, dans une perspective de radiothérapie adaptative guidée par la dose. Pour un calcul de dose à partir d’images CBCT, une méthode de deep learning a été comparée à trois méthodes de la littérature de la sphère ORL. Pour un calcul de dose sur IRM, neuf méthodes, dont une méthode atlas, une méthode patches et des méthodes de deep learning avec différentes architectures ont été comparées. De plus, les bénéfices dosimétriques de stratégies de radiothérapie adaptative par replanification (ORL) et par bibliothèque de plans de traitement (col de l’utérus) ont été évalués. En conclusion, les méthodes de deep learning pour générer des pseudo-CT sont prometteuses, car rapides et précises. Ces méthodes peuvent être utilisées pour un suivi de la dose en cours de traitement dans le cadre d’une radiothérapie adaptative.