Este estudio investiga la generación de imágenes de CT sintéticas (sCT) a partir de MRI de tiempo de eco cero (ZTE) para apoyar la radioterapia solo con MRI, lo que puede reducir los errores de registro de imágenes y disminuir los costos de planificación del tratamiento. Dado que la MRI carece de los datos de densidad electrónica necesarios para cálculos de dosis precisos, generar sCT confiables es esencial. Se utilizó MRI ZTE, que ofrece un alto contraste óseo, con dos modelos de aprendizaje profundo: U-Net residual profundo con atención (ADR-Unet) y una red generativa adversarial condicional derivada (cGAN). Se utilizaron datos de 17 pacientes con cáncer de cabeza y cuello para entrenar y evaluar los modelos. ADR-Unet se mejoró con bloques residuales profundos y mecanismos de atención para mejorar el aprendizaje y la calidad de reconstrucción. Ambos modelos se implementaron internamente y se compararon con las arquitecturas estándar U-Net y Unet++ utilizando métricas de calidad de imagen, inspección visual y análisis dosimétrico. Se realizó la planificación de terapia de arco modulada volumétricamente (VMAT) tanto en CT de planificación como en sCT generados. ADR-Unet logró un error absoluto medio de 55.49 HU y un puntaje de Dice de 0.86 para estructuras óseas. Todos los modelos demostraron tasas de aprobación de Gamma superiores al 99.4% y desviaciones de dosis dentro del 2-3%, confirmando su aceptabilidad clínica. Estos resultados destacan a ADR-Unet y cGAN como soluciones prometedoras para la generación precisa de sCT, permitiendo una radioterapia efectiva solo con MRI.