Die Erfassung von voxelweiser räumlicher Korrespondenz über verschiedene Modalitäten hinweg ist für die medizinische Bildanalyse entscheidend. Aktuelle Registrierungsverfahren sind jedoch hinsichtlich der Registrierungsgenauigkeit und der klinischen Anwendbarkeit noch nicht ausreichend praktikabel. In dieser Arbeit stellen wir MambaMorph vor, einen neuen Rahmen für multimodale deformierbare Registrierung. Insbesondere nutzt MambaMorph ein auf Mamba basierendes Registrierungsmodul und einen feingranularen, aber einfachen, Merkmalsextraktor zur effizienten Modellierung von langreichweitigen Korrespondenzen und zum Lernen hochdimensionaler Merkmale. Zudem entwickeln wir einen gut annotierten Datensatz für die Hirn-MR-CT-Registrierung, den SR-Reg, um das Datenmangelproblem in der multimodalen Registrierung anzugehen. Um die Fähigkeiten von MambaMorph bei der multimodalen Registrierung zu validieren, führen wir quantitative Experimente sowohl auf unserem SR-Reg-Datensatz als auch auf einem öffentlichen T1-T2-Datensatz durch. Die experimentellen Ergebnisse beider Datensätze zeigen, dass MambaMorph die aktuellen lernbasierten Registrierungsverfahren hinsichtlich der Genauigkeit erheblich übertrifft. Eine weitere Studie unterstreicht die Effizienz des auf Mamba basierenden Registrierungsmoduls und des leichten Merkmalsextraktors, die eine bemerkenswerte Registrierungsqualität erreichen, während sie gleichzeitig angemessene Rechenkosten und -geschwindigkeiten aufrechterhalten. Wir glauben, dass MambaMorph ein großes Potenzial für praktische Anwendungen in der medizinischen Bildregistrierung besitzt. Der Code für MambaMorph ist unter folgender URL verfügbar: https://github.com/Guo-Stone/MambaMorph.