La segmentación multimodal de imágenes médicas es esencial para aplicaciones clínicas, ya que permite a los profesionales médicos detectar anomalías, monitorear la efectividad del tratamiento y tomar decisiones terapéuticas informadas. Sin embargo, los métodos de segmentación existentes dependen de imágenes emparejadas de modalidades, que no siempre están disponibles en escenarios prácticos, limitando así su aplicabilidad. Para abordar este desafío, los enfoques actuales buscan alinear modalidades o generar imágenes de modalidad faltantes sin una verdad absoluta, lo que puede introducir detalles de textura irrelevantes. En este documento, proponemos el modelo de segmentación aumentada semántica basada en energía (ESAS), que emplea la energía de características semánticas latentes de una modalidad de soporte para mejorar el rendimiento de segmentación en datos de modalidad de consulta no emparejados. El modelo ESAS propuesto es un marco ligero y eficiente adecuado para la mayoría de las tareas de aprendizaje de imágenes multimodales no emparejadas. Demostramos la efectividad de nuestro modelo ESAS en el conjunto de datos del desafío MM-WHS 2017, donde mejoró significativamente la precisión de Dice para la segmentación cardíaca en volúmenes de CT. Nuestros resultados resaltan el potencial del modelo ESAS propuesto para mejorar los resultados de los pacientes en entornos clínicos al proporcionar un enfoque prometedor para tareas de segmentación de imágenes médicas multimodales no emparejadas.