Este documento presenta LUVS-Net, que es una red convolucional ligera para la segmentación de vasos sanguíneos en imágenes de fondo de ojo, diseñada para dispositivos con recursos limitados que generalmente no pueden cumplir con los requisitos computacionales de grandes redes neuronales. Los desafíos computacionales surgen debido a imágenes de retina de baja calidad, amplia variación en las condiciones de adquisición de imágenes y disparidades en la intensidad. En consecuencia, el entrenamiento de los métodos de segmentación existentes requiere una multitud de parámetros entrenables para la capacitación de las redes, lo que resulta en complejidad computacional. El propuesto Lightweight U-Net for Vessel Segmentation Network (LUVS-Net) puede lograr un alto rendimiento de segmentación con solo unos pocos parámetros entrenables. Esta red utiliza un marco codificador-decodificador en el que los datos de borde se transponen desde las primeras capas del codificador hasta la última capa del decodificador, mejorando masivamente la latencia de convergencia. Además, el diseño de LUVS-Net permite un flujo de información de doble vía tanto dentro como fuera del par codificador-decodificador. El ancho de la red se mejora utilizando convoluciones de grupo, lo que permite que la red aprenda un mayor número de características de nivel bajo e intermedio. La pérdida de información espacial se minimiza utilizando conexiones de salto, y los desequilibrios de clase se mitigan utilizando la pérdida de dados para la clasificación píxel a píxel. El rendimiento de la red propuesta se evalúa en los conjuntos de datos de vasos sanguíneos retinianos disponibles públicamente DRIVE, CHASE_DB1 y STARE. LUVS-Net demuestra ser bastante competitivo, superando a otros métodos de segmentación de vanguardia y logrando una precisión comparable utilizando parámetros entrenables que se reducen en dos a tres órdenes de magnitud en comparación con los de métodos de vanguardia comparativos.