يُعد التجزئة الدقيقة للأوعية الدموية في الشبكية ذات أهمية كبيرة في التشخيص المبكر للأمراض المرتبطة بالعين مثل السكري والضغط الدموي. في هذه الدراسة، نقترح شبكة خفيفة الوزن تُسمى "U-Net بانتباه مكاني" (SA-UNet) التي لا تتطلب آلاف العينات المُعلَّمة لتدريبها، ويمكن استخدامها بطريقة تكبير البيانات (Data Augmentation) لاستخدام العينات المُعلَّمة المتاحة بكفاءة أكبر. تُدخل SA-UNet وحدة انتباه مكاني تُستنتج خريطة الانتباه على طول البُعد المكاني، ثم تُضرب خريطة الانتباه في خريطة الميزات المدخلة لتحسين الميزات بشكل تكيفي. بالإضافة إلى ذلك، تستخدم الشبكة المقترحة كتل تقوية متعددة مُنظمة (Structured Dropout Convolutional Blocks) بدلًا من الكتل التلافيفية الأصلية في U-Net، بهدف منع الشبكة من التكيف الزائد (Overfitting). تم تقييم SA-UNet باستخدام مجموعتين معياريتين للبيانات الشبكية: مجموعة بيانات استخلاص الأوعية (DRIVE) ومجموعة بيانات دراسة صحة القلب والأطفال (CHASE_DB1). أظهرت النتائج أن SA-UNet تحقق أداءً من الدرجة الأولى (State-of-the-art) على كلا المجموعتين. تتوفر التنفيذ والشبكات المدربة على منصة GitHub1.