En los últimos años, la tecnología de aprendizaje profundo para el diagnóstico clínico ha progresado considerablemente, y el valor de la imagen médica continúa aumentando. En el pasado, los clínicos evaluaban las imágenes médicas según su experiencia individual. En contraste, la aplicación de la tecnología de inteligencia artificial para el análisis automático y la asistencia diagnóstica para apoyar a los clínicos en la evaluación de la información médica de manera más eficiente se ha convertido en una tendencia importante. En este estudio, proponemos una arquitectura de aprendizaje automático diseñada para segmentar imágenes de los vasos sanguíneos retinianos basada en un modelo de red neuronal U-Net mejorado. El modelo propuesto incorpora un módulo residual para extraer características de manera más efectiva e incluye una conexión de salto a escala completa para combinar detalles de bajo nivel con características de alto nivel en diferentes escalas. Los resultados de una evaluación experimental muestran que el modelo pudo segmentar con precisión las imágenes de los vasos retinianos. El método propuesto también superó a varios modelos existentes en los conjuntos de datos de referencia DRIVE y ROSE, incluidos U-Net, ResUNet, U-Net3+, ResUNet++, y CaraNet.