La segmentación de vasos retinianos juega un papel crucial en el análisis de imágenes médicas, ayudando a los oftalmólogos en el diagnóstico de enfermedades, monitoreo y orientación del tratamiento. Sin embargo, debido a la estructura de límites complejos y las características de textura rica en imágenes de vasos sanguíneos retinianos, los métodos existentes enfrentan desafíos en la segmentación precisa de los límites de los vasos sanguíneos. En este estudio, proponemos el Swin-UNet impulsado por textura con percepción mejorada de los límites. En primer lugar, diseñamos un Módulo Complementario de Textura a Nivel Cruzado (CTCM) para fusionar mapas de características en diferentes escalas durante la etapa de codificación, recuperando así características detalladas perdidas en el proceso de submuestreo. Además, introdujimos un Bloque Swin de Textura a Nivel de Píxel (PT Swin Block) para mejorar la capacidad del modelo de localizar la información del límite y contorno del vaso. Finalmente, introdujimos una función de pérdida de distancia de Hausdorff mejorada para mejorar aún más la precisión de la segmentación del límite del vaso. El método propuesto fue evaluado en los conjuntos de datos DRIVE y CHASEDB1, y los resultados experimentales demuestran que nuestro modelo obtuvo un rendimiento superior en términos de Precisión (ACC), Sensibilidad (SE), Especificidad (SP) y Puntuación F1 (F1), y la precisión de la segmentación del límite del vaso mejoró significativamente.