La morfología de los vasos sanguíneos en imágenes del fondo de ojo es un biomarcador clave para el diagnóstico de condiciones como el glaucoma, la hipertensión y la retinopatía diabética. Este estudio presenta un método basado en aprendizaje profundo para la segmentación automática de vasos sanguíneos, entrenado desde cero en 44 imágenes anotadas por clínicos. La arquitectura propuesta integra capas de Memoria a Corto y Largo Plazo Bidireccional (Bi-LSTM) con eliminación para mitigar el sobreajuste. Una característica distintiva de este enfoque es el procesamiento por columnas, que mejora la extracción de características y la precisión de la segmentación. Además, se implementa una técnica de aumento de datos personalizada adaptada para imágenes retinianas para mejorar el rendimiento del entrenamiento. Los resultados se presentan en su forma cruda, sin post-procesamiento, para evaluar objetivamente la efectividad y limitaciones del método. Refinamientos adicionales, incluyendo pre y post-procesamiento y el uso de rotaciones de imagen para combinar múltiples salidas de segmentación, podrían mejorar significativamente el rendimiento. En general, este trabajo ofrece un enfoque novedoso y efectivo para la aún no resuelta tarea de segmentación de vasos retinianos, contribuyendo a un análisis automatizado más confiable en diagnósticos oftalmológicos.