يُعد تقسيم الأوعية الشبكية موضوعًا ذا أهمية كبيرة في تشخيص الأمراض الوعائية الشبكية. ولتحسين أداء تقسيم الأوعية بشكل أكبر، نقترح نموذجًا جديدًا يُسمى IterNet، وهو نموذج مبني على معمارية UNet، يتمتع بقدرة على استخلاص التفاصيل المخفية في الأوعية من صورة التقسيم نفسها، بدلًا من استخدام الصورة الأصلية المدخلة. يتكون IterNet من عدة تكرارات لنموذج صغير يُعرف بـ mini-UNet، والذي يمكن أن يكون أعمق بـ 4 أضعاف مقارنةً ببنية UNet الشائعة. كما يعتمد IterNet على خاصيتي مشاركة الأوزان (weight-sharing) والاتصالات المُمرّرة (skip-connections) لتسهيل عملية التدريب؛ وبذلك، وبصرف النظر عن حجم الهيكل الكبير، يمكن لـ IterNet التعلّم بنجاح من مجرد 10 إلى 20 صورة مُعلّمة، دون الحاجة إلى تدريب مسبق أو أي معرفة مسبقة. حقق IterNet قيم AUC بلغت 0.9816 و0.9851 و0.9881 على ثلاث مجموعات بيانات شهيرة، وهي DRIVE وCHASE-DB1 وSTARE على التوالي، وهي في الوقت الحالي أفضل النتائج المُبلغ عنها في الأدبيات العلمية. ويجدر بالذكر أن الكود المصدري متاح للجمهور.