La segmentación de los vasos retinianos a partir de imágenes de fondo de ojo es fundamental para diagnosticar enfermedades como la diabetes y la hipertensión. Sin embargo, los desafíos inherentes planteados por las geometrías complejas de los vasos y la distribución altamente desequilibrada de píxeles de vasos gruesos versus delgados exigen soluciones innovadoras para la extracción robusta de características. En este documento, presentamos DAF-UNet, una arquitectura novedosa que integra módulos avanzados para abordar estos desafíos. Específicamente, nuestro método aprovecha un módulo de convolución deformable (DC) pre-entrenado dentro del codificador para ajustar dinámicamente las posiciones de muestreo del núcleo de convolución, adaptando así el campo receptivo para capturar morfologías vasculares irregulares de manera más efectiva que los enfoques de convolución tradicionales. En el cuello de botella de la red, se emplea un módulo de agrupación piramidal espacial atrófica (ASPP) mejorado para extraer y fusionar información contextual rica y multiescala, mejorando significativamente la capacidad del modelo para delinear vasos de diferentes calibres. Además, proponemos una función de pérdida híbrida que combina pérdidas a nivel de píxel y a nivel de segmento para abordar de manera robusta las inconsistencias de segmentación causadas por la disparidad en el grosor de los vasos. Las evaluaciones experimentales en los conjuntos de datos DRIVE y CHASE_DB1 demostraron que DAF-UNet logró una precisión global de 0.9572/0.9632 y un puntaje de Dice de 0.8298/0.8227, respectivamente, superando a los métodos de vanguardia. Estos resultados subrayan la eficacia de nuestro enfoque en capturar con precisión los detalles vasculares finos y los límites complejos, marcando un avance significativo en la segmentación de vasos retinianos.