La retinopatía diabética es una de las enfermedades retinianas más significativas que puede llevar a la ceguera. Por lo tanto, es fundamental recibir un diagnóstico rápido de la enfermedad. El cribado manual puede resultar en un diagnóstico erróneo debido al error humano y la capacidad humana limitada. En tales casos, el uso de un diagnóstico automatizado basado en el aprendizaje profundo de la enfermedad podría ayudar en la detección y tratamiento tempranos. En el análisis basado en el aprendizaje profundo, las imágenes originales y segmentadas de los vasos sanguíneos suelen utilizarse para el diagnóstico. Sin embargo, aún no está claro cuál enfoque es superior. En este estudio, se realizó una comparación de dos enfoques de aprendizaje profundo (Inception v3 y DenseNet-121) en dos conjuntos de datos diferentes de imágenes en color e imágenes segmentadas. Los hallazgos del estudio revelaron que la precisión para las imágenes originales tanto en Inception v3 como en DenseNet-121 era igual o superior a 0.8, mientras que los vasos sanguíneos retinianos segmentados bajo ambos enfoques proporcionaron una precisión ligeramente superior a 0.6, demostrando que los vasos segmentados no aportan mucha utilidad al análisis basado en el aprendizaje profundo. Los hallazgos del estudio muestran que las imágenes originales en color son más significativas en el diagnóstico de la retinopatía que los vasos sanguíneos retinianos extraídos.