O cancro é atualmente a segunda maior causa de morte, logo atrás das doenças cardiovasculares, no entanto, há previsões que apontam para um aumento da malignidade e incidência desta doença, havendo indicadores de que a mesma se possa tornar a principal causa de morte ainda no presente século. Ora, se por um lado, há esses indicadores negativos, por outro, a evolução dos tratamentos tem sido positiva, incluindo com grande relevo a radioterapia. No entanto, este tipo de tratamento, apesar de apresentar uma taxa de sucesso crescente no tratamento de pacientes com cancro, apresenta um fluxo de trabalho baseado em modalidades imagiológicas múltiplas, o que, para além de poder ser pouco eficiente, é também mais dispendioso. Para além desses fatores, há ainda outra questão típica do uso de imagens de modalidade múltipla: a necessidade de recorrer a co-registos, que acabam por, introduzir alguns erros ao longo do processo de tratamento. Estes fluxos baseados em imagens de modalidade múltipla usam, na maioria das vezes, a Ressonância Magnética e a Tomografia Computadorizada. Se por um lado a imagem por RM é usada devido a um maior contraste dos tecidos moles, o que acaba por permitir uma melhor análise das massas cancerígenas, por outro, as imagens TC são a base de todo o processo porque proporcionam coeficientes de atenuação de radiação ionizante usados para o cálculo da dose terapêutica. O objetivo deste estudo é apresentar uma alternativa a estes fluxos convencionais no tratamento de cancros cerebrais, tornando-os baseados apenas em imagens MR, aproveitando o facto de esta modalidade ser a predileta para o estudo de tumores nessa região e apresentando como solução para contornar a limitação de estas imagens não fornecerem informações sobre os coeficientes de atenuação dos tecidos analisados, a síntese de imagens TC, através de inteligência artificial, para que o processo do cálculo de dose terapêutica seja efetuado a partir dessas imagens sintéticas. A abordagem usada para a síntese das imagens TC é baseada num modelo pix2pix (uma variante do modelo GAN) treinado com 498 pares RM-CT, que visam patologias oncológicas cerebrais. O processo de treino tem como grande objetivo dotar o computador da capacidade de “aprender” a relacionar intensidades entre essas modalidades, sendo que os grandes blocos deste sistema (gerador e discriminador) treinam de forma independente, ainda que a informação fornecida pelo discriminador seja muito importante para o gerador ir aprimorando as amostras geradas, conferindo a este processo de treino, uma tipologia minimax. Depois de treinado, o modelo é capaz de gerar várias dezenas de fatias TC em poucos segundos As imagens geradas foram alvo de uma validação qualitativa e quantitativa tendo sido medidos desvios médios absolutos de 109 ± 13 HU, 357 ± 61HU, 212 ± 48HU, 79 ± 13HU e 34±18HU para todos os tecidos, vias aéreas, ossos, tecidos moles e massas cancerígenas, respetivamente. Cancer is currently the second leading cause of death, right behind cardiovascular diseases; however, some predictions point to an increase in malignancy and incidence of this disease, with indicators that it may become the leading cause of death in the present century. Now, if, on the one hand, there are these negative indicators, on the other hand, the evolution of treatments has been positive, including radiotherapy with great emphasis. However, despite showing an increasing success rate in the treatment of cancer patients, this type of treatment has a workflow based on multiple imaging modalities, which, in addition to being inefficient, is also more expensive. In addition to these factors, there is another issue typical of using multiple modality images: the need to resort to co- registrations, which end up introducing some errors during the treatment process. These multi-modality image-based flows mostly use Magnetic Resonance and Computed Tomography. If, on the one hand, MR imaging is used due to more excellent soft-tissue contrast, which ends up allowing a better analysis of cancerous masses, on the other hand, CT images are the basis of the entire process because they provide attenuation coefficients of ionizing radiation used to calculate the therapeutic dose. The objective of this study is to present an alternative to these conventional flows in the treatment of brain cancers, making them based only on MR images, taking advantage of the fact that this modality is preferred for the study of tumours in this region and presenting as a solution to circumvent the limitation that these images do not provide information on the attenuation coefficients of the analysed tissues, the synthesis of CT images, through artificial intelligence, so that the therapeutic dose calculation process is carried out from these synthetic images. The approach used for the synthesis of CT images is based on a pix2pix model (a variant of the GAN model) trained with 498 RM-CT pairs, which targets brain oncological pathologies. The main objective of the training process is to provide the computer with the ability to "learn" to relate intensities between these modalities, and the large blocks of this system (generator and discriminator) train independently, even though the information provided by the discriminator is essential for the generator to generate more realistic samples, which gives this training process a minimax typology. After training, the model can generate dozens of CT slices in a few seconds. The generated images were subject to a qualitative and quantitative validation, having measured mean absolute deviations of 109 ± 13 HU, 357 ± 61HU, 212 ± 48HU, 79 ± 13HU, and 34±18HU for all tissues, airways, bones, soft tissues, and cancerous masses, respectively. Mestrado em Engenharia Eletrónica e Telecomunicações