El análisis de la microvasculatura es una tarea importante en el campo médico debido a sus diversas aplicaciones. Se ha utilizado para el diagnóstico y la amenaza de enfermedades en campos como la oftalmología, dermatología y neurología al medir el flujo sanguíneo relativo o las propiedades morfológicas de los vasos sanguíneos. Sin embargo, la dispersión de la luz en la periferia del vaso sanguíneo provoca una disminución del contraste alrededor de los bordes del vaso y un aumento del ruido de la imagen, lo que hace que la localización de los vasos sanguíneos sea una tarea desafiante. Por lo tanto, este trabajo propone integrar información conocida del montaje experimental en una arquitectura de aprendizaje profundo con múltiples entradas para mejorar la generalización de un modelo computacional para la segmentación de vasos sanguíneos y la estimación de profundidad en un solo paso de inferencia. El R-UNET + ET + LA propuesto obtuvo una intersección sobre unión de 0.944 +/- 0.065 y 0.812 +/- 0.080 en la tarea de clasificación para los conjuntos de validación (in vitro) y prueba (in vivo), respectivamente, y un error cuadrático medio de 0.0085 +/- 0.0275 m en la estimación de profundidad. Este enfoque mejora la generalización de las soluciones actuales al preentrenar con datos in vitro y agregar información del montaje experimental. Además, el método puede inferir la profundidad de un píxel de vaso sanguíneo pixel por pixel en lugar de en regiones como lo hace el estado del arte actual.