La delineación de las glándulas parótidas en el carcinoma de cabeza y cuello (HN) es crítica para evaluar la planificación de radioterapia (RT). Los procesos de segmentación aseguran una posición precisa del objetivo y una precisión en el tratamiento, facilitan el monitoreo de cambios anatómicos, permiten la adaptación del plan y mejoran la seguridad general del paciente. En este contexto, la inteligencia artificial (IA) y el aprendizaje profundo (DL) han demostrado ser excepcionalmente efectivos en delinear con precisión los tejidos tumorales y, por extensión, los órganos en riesgo. Este documento presenta un marco de DL que utiliza la red neuronal AttentionUNet para la segmentación automática de las glándulas parótidas en el cáncer de HN. Se realiza una amplia evaluación del modelo en dos conjuntos de datos públicos y uno privado, mientras que la precisión de la segmentación se compara con otros esquemas de segmentación de DL de vanguardia. Para evaluar la necesidad de replanificación durante el tratamiento, se implementa un método adicional de registro en la salida de segmentación, alineando imágenes de diferentes modalidades (Tomografía Computarizada (CT) y Tomografía Computarizada de Haz Cónico (CBCT)). AttentionUNet supera a métodos de DL similares (Coeficiente de Similitud de Dice: 82.65% +/- 1.03, Distancia de Hausdorff: 6.24 mm +/- 2.47), confirmando su efectividad. Además, el procedimiento de registro subsiguiente muestra una mayor similitud, proporcionando información sobre los efectos de los procedimientos de RT para adaptaciones en la planificación del tratamiento. La implementación de los métodos propuestos indica la efectividad de DL no solo para la delineación automática de las estructuras anatómicas, sino también para la provisión de información para el soporte de RT adaptativo.