La segmentación precisa de nódulos tiroideos en imágenes de ultrasonido es crucial para el diagnóstico de cáncer de tiroides y la planificación preoperatoria. Sin embargo, la segmentación de nódulos tiroideos es un desafío debido a su forma irregular, límite borroso y textura de eco desigual. Para abordar estos desafíos, se propone una red de doble rama basada en Mamba y ResNet (MRDB). Específicamente, se utilizan el bloque de espacio visual estatal (VSSB) de Mamba y ResNet-34 para construir un doble codificador que extrae semántica global y detalles locales, y establece conexiones de características multidimensionales. Mientras tanto, se emplea una estrategia de convolución de aumento en el decodificador izquierdo centrado en el tamaño de la imagen y la reconstrucción de detalles. Se utiliza una estrategia de convolución de aumento en el decodificador derecho para enfatizar el refinamiento gradual de características y la recuperación. Para facilitar la interacción entre detalles locales y contexto global dentro del codificador y decodificador, se introduce una conexión cruzada. Además, se propone una nueva función de pérdida híbrida para mejorar el rendimiento de segmentación de límites de nódulos tiroideos. Los resultados experimentales muestran que MRDB supera a los enfoques de vanguardia con un DSC del 90.02% y 80.6% en dos conjuntos de datos públicos de nódulos tiroideos, TN3K y TNUI-2021, respectivamente. Además, experimentos en un tercer conjunto de datos externo, DDTI, demuestran que nuestro método mejora el DSC en un 10.8% en comparación con la línea de base y muestra una buena generalización a conjuntos de datos clínicos de nódulos tiroideos a pequeña escala. El MRDB propuesto puede mejorar efectivamente la precisión de la segmentación de nódulos tiroideos y tiene un gran potencial para aplicaciones clínicas.