تم تعزيز الأداء والسرعة في تطابق الصور الطبية بشكل كبير بفضل الطرق المتطورة القائمة على التعلم العميق. ومع ذلك، تواجه معظم الطرق الحالية صعوبات كبيرة في التعامل مع التشوهات الكبيرة بين الصور المدخلة، مما يفرض تنازلاً في التكلفة الحسابية من أجل توسيع مجال الاستقبال (receptive field) للنموذج وتحسين قدرته على نمذجة العلاقات المكانية على المدى الطويل، وبالتالي تحسين أداء التطابق. ولتحسين أداء التطابق للصور المعرضة لتشوهات كبيرة بتكاليف حسابية منخفضة، نقترح في هذا البحث نموذجًا خفيف الوزن قادر على نمذجة مجالات استقبال كبيرة والعلاقات المكانية على المدى الطويل، يُسمى LL-Net. تتألف المكونات الأساسية لـ LL-Net من طبقة انتباه بحجم كيرنل كبير باستخدام تحليل مستطيلي (RD-LKA) وطبقة انتباه تكامل مكاني وقناة (SC-Fusion). تستخدم طبقة RD-LKA عمليات تقطيع عميقة ذات كيرنل كبير غير متماثل (anisotropic depth-wise large kernel convolutions) لالتقاط مجالات استقبال كبيرة بكمية ضئيلة جدًا من المعاملات، مع القدرة على نمذجة العلاقات المكانية على المدى الطويل. علاوةً على ذلك، تُعزز طبقة SC-Fusion قدرة النموذج على دمج الميزات وتعزيز تمثيلات الميزات في المواقع الحرجة. تُظهر نتائج LL-Net أداءً من الدرجة الأولى على عدة مجموعات بيانات. وبشكل خاص، حقق مؤشر دايسي (Dice score) قدره 76.7% وقيمة HD95 بـ 2.983 مم على مجموعة بيانات IXI، ومؤشر دايسي قدره 87.8% وقيمة HD95 بـ 1.042 مم على مجموعة بيانات OASIS. تؤكد النتائج التجريبية فعالية LL-Net في اكتشاف مجالات استقبال كبيرة ونمذجة العلاقات المكانية على المدى الطويل. يُمكن الوصول إلى الكود الخاص بـ LL-Net من خلال الرابط التالي: https://github.com/BoyOfChu/LL_Net.