Die Leistungsfähigkeit und Geschwindigkeit der medizinischen Bildregistrierung wurde durch moderne, auf tiefen Lernverfahren basierende Methoden erheblich verbessert. Dennoch stellen große Deformationen zwischen den Eingabebildern eine Herausforderung für die meisten aktuellen Ansätze dar, was eine Kompromissbildung zwischen Rechenkosten und der Erweiterung des Empfangsfelds des Modells sowie dessen Fähigkeit zur Modellierung langstreckiger räumlicher Beziehungen erfordert, um die Registrierungsleistung zu steigern. Um die Registrierungsleistung bei Bildern mit großen Deformationen bei geringeren Rechenkosten zu verbessern, stellen wir in diesem Artikel ein leichtgewichtiges Registrierungsmodell vor, das in der Lage ist, große Empfangsfelder und langstreckige räumliche Beziehungen zu modellieren: LL-Net. Die Kernkomponenten von LL-Net bestehen aus einer Rectangular Decomposition Large Kernel Attention (RD-LKA)-Schicht und einer Spatial and Channel Fusion Attention (SC-Fusion)-Schicht. Die RD-LKA-Schicht nutzt anisotrope, tiefenweise große Kernel-Faltung, um große Empfangsfelder mit äußerst geringer Parameteranzahl zu erfassen, während gleichzeitig langstreckige räumliche Beziehungen modelliert werden. Zudem verstärkt die SC-Fusion-Schicht die Fähigkeit des Modells zur Merkmalsfusion und stärkt die Merkmalsrepräsentation an kritischen Stellen. LL-Net erzielt auf mehreren Datensätzen eine state-of-the-art-Leistung. Insbesondere erreicht es auf dem IXI-Datensatz einen Dice-Score von 76,7 % und einen HD95-Wert von 2,983 mm, sowie auf dem OASIS-Datensatz einen Dice-Score von 87,8 % und einen HD95-Wert von 1,042 mm. Experimentelle Ergebnisse belegen die Wirksamkeit von LL-Net bei der Erfassung großer Empfangsfelder und der Modellierung langstreckiger räumlicher Beziehungen. Der Quellcode für LL-Net ist unter https://github.com/BoyOfChu/LL_Net verfügbar.