En radiothérapie externe, l'imagerie par rayons X (CT-scan et CBCT) est l'imagerie de référence pour la planification et la délivrance du traitement. Le CT-scan permet l'accès aux densités électroniques des tissus, requises pour le calcul de dose. Le CBCT permet le positionnement du patient, le tracking et le gating de la tumeur. Cependant, l'imagerie par rayons X présente un faible contraste entre les tissus mous et est irradiante. Grâce à un meilleur contraste, l'IRM pourrait améliorer le positionnement du patient, la délinéation des volumes d'intérêt, et le ciblage de la dose. L'IRM présente ainsi un intérêt majeur pour la planification de radiothérapie. L'objectif de cette thèse a été premièrement d'optimiser un protocole d'acquisition d'images IRM de la sphère ORL, avec patient en position de traitement. Le second objectif a été de réaliser une dosimétrie à partir de l'IRM. Cependant, à contrario du CT-scan, l'IRM ne fournit pas la densité électronique des tissus. Pour palier cela, une méthode patch-based (PBM) et une méthode de deep learning (DLM) ont été utilisées pour générer des pseudo-CT, et calculer la dose. La DLM fut un réseau antagoniste génératif et la PBM fut développée en utilisant une recherche de patchs similaires avec des descripteurs d'images. Ces méthodes ont été évaluées et comparées à une méthode atlas (ABM) et une méthode d'assignation de densité (BDM) à partir de critères de jugement images et dosimétriques. La DLM et la PBM apparurent comme les méthodes les plus précises. La DLM fut la méthode la plus rapide et robuste aux variations anatomiques.