Muchas enfermedades importantes pueden causar cambios en la morfología de los vasos sanguíneos, y la segmentación de los vasos sanguíneos retinianos es de gran importancia para prevenir estas enfermedades. La obtención de resultados de segmentación completos, continuos y de alta resolución es muy desafiante debido a las diversas estructuras de los tejidos retinianos, las complejas estructuras espaciales de los vasos sanguíneos y la presencia de muchos vasos pequeños. En los últimos años, las redes de aprendizaje profundo como UNet se han utilizado ampliamente en el procesamiento de imágenes médicas. Sin embargo, las operaciones continuas de muestreo descendente en UNet pueden resultar en la pérdida de una cantidad significativa de información. Aunque las conexiones de salto entre el codificador y el decodificador pueden ayudar a abordar este problema, las características del codificador todavía contienen una gran cantidad de información irrelevante que no puede ser utilizada eficientemente por el decodificador. Para aliviar la información irrelevante, este documento propone un módulo de selección de características entre el decodificador y el codificador que utiliza el mecanismo de autoatención de los transformadores para seleccionar con precisión y eficiencia las características relevantes del codificador para el decodificador. Además, se propone un módulo de Contexto Global Residual ligero para obtener información contextual global densa y establecer dependencias entre píxeles, lo que puede preservar efectivamente los detalles vasculares y segmentar los vasos pequeños de manera precisa y continua. Los resultados experimentales en tres conjuntos de datos de imágenes de fondo de ojo en color disponibles públicamente (DRIVE, CHASE y STARE) demuestran que el algoritmo propuesto supera a los métodos existentes en cuanto a métricas de rendimiento y calidad visual.