L'obtention d'une correspondance spatiale voxel par voxel entre des modalités distinctes est cruciale pour l'analyse d'images médicales. Cependant, les approches actuelles de registration ne sont pas suffisamment pratiques en termes de précision de la registration et d'applicabilité clinique. Dans cet article, nous présentons MambaMorph, un nouveau cadre de registration déformable multi-modalité. Plus précisément, MambaMorph utilise un module de registration basé sur Mamba et un extracteur de caractéristiques à grain fin mais simple, respectivement pour la modélisation efficace de la correspondance à longue portée et l'apprentissage de caractéristiques en haute dimension. De plus, nous avons développé un ensemble de données bien annoté pour la registration cérébrale IRM-CT, appelé SR-Reg, afin de remédier à la pénurie de données dans la registration multi-modalité. Pour valider les capacités de registration multi-modalité de MambaMorph, nous avons mené des expériences quantitatives sur notre ensemble de données SR-Reg ainsi que sur un ensemble de données T1-T2 public. Les résultats expérimentaux sur les deux ensembles de données montrent que MambaMorph dépasse significativement les méthodes actuelles d'apprentissage basées sur la registration en termes de précision. Une étude supplémentaire souligne l'efficacité du module de registration basé sur Mamba et l'extracteur de caractéristiques léger, qui atteignent une qualité notable de registration tout en maintenant des coûts et des vitesses informatiques raisonnables. Nous pensons que MambaMorph présente un potentiel important pour des applications pratiques dans la registration d'images médicales. Le code source pour MambaMorph est disponible à l'adresse suivante : https://github.com/Guo-Stone/MambaMorph.