Los vasos sanguíneos retinianos poseen una estructura compleja en la retina y son considerados un biomarcador importante para varias enfermedades retinianas. Las enfermedades oftálmicas resultan en cambios específicos en la vasculatura retiniana; por ejemplo, la retinopatía diabética provoca que los vasos retinianos se inflamen, y dependiendo de la gravedad de la enfermedad, puede producirse una fuga de líquido o sangre. De manera similar, la retinopatía hipertensiva causa un cambio en la vasculatura retiniana debido al adelgazamiento de estos vasos. La oclusión de la vena central de la retina (CRVO) es un fenómeno en el que la vena principal causa el drenaje de la sangre de la retina y esta vena principal puede cerrarse completamente o parcialmente con síntomas de visión borrosa y problemas oculares similares. Considerando la importancia de la vasculatura retiniana como biomarcador de enfermedades oftálmicas, los oftalmólogos analizan manualmente los cambios vasculares retinianos. El análisis manual es una tarea tediosa que requiere observación constante para detectar cambios. Los métodos basados en aprendizaje profundo pueden facilitar el problema al aprender de las anotaciones proporcionadas por un oftalmólogo experto. Sin embargo, los métodos actuales basados en aprendizaje profundo son relativamente inexactos, computacionalmente costosos, complejos y requieren un preprocesamiento de imagen para la detección final. Además, los métodos existentes no son capaces de proporcionar una mejor tasa de verdaderos positivos (sensibilidad), lo que muestra que el modelo puede predecir la mayoría de los píxeles de los vasos. Por lo tanto, este estudio presenta la llamada red ultra-ligera de segmentación de vasos (VSUL-Net) para extraer con precisión la vasculatura retiniana del fondo. El VSUL-Net propuesto consta solo de 0.37 millones de parámetros entrenables y utiliza una imagen original como entrada sin preprocesamiento. El VSUL-Net utiliza un bloque de retención que mantiene específicamente el tamaño de mapa de características más grande y la transferencia de información espacial de bajo nivel. Este bloque de retención resulta en una mejor sensibilidad del VSUL-Net propuesto sin utilizar esquemas costosos de preprocesamiento. El método propuesto se probó en tres conjuntos de datos públicos disponibles: imágenes retinianas digitales para extracción de vasos (DRIVE), análisis estructurado de retina (STARE) y estudio de salud cardíaca infantil en la base de datos de Inglaterra (CHASE-DB1) para la segmentación de la vasculatura retiniana. Los resultados experimentales demostraron que el VSUL-Net proporciona una segmentación robusta de la vasculatura retiniana con valores de sensibilidad (Sen), especificidad (Spe), precisión (Acc) y área bajo la curva (AUC) del 83.80%, 98.21%, 96.95% y 98.54%, respectivamente, para DRIVE, 81.73%, 98.35%, 97.17% y 98.69%, respectivamente, para CHASE-DB1, y 86.64%, 98.13%, 97.27% y 99.01%, respectivamente, para los conjuntos de datos de STARE. El método propuesto proporciona una máscara de segmentación precisa para un análisis oftálmico profundo.