يُعد تفصيل الأوعية الحيوية حاسمًا في تشخيص الأمراض والتخطيط الجراحي. في الآونة الأخيرة، حققت الطرق القائمة على التعلم العميق لتفصيل الأوعية أداءً متميزًا. ومع ذلك، لا يزال تفصيل الأوعية تحديًا كبيرًا بسبب نحافة الأوعية وانخفاض التباين، مما يؤدي إلى فقدان المعلومات المكانية بسهولة في الشبكات التقليدية للتفصيل ذات الشكل U. ولتخفيف هذه المشكلة، نقترح شبكة جديدة وسهلة التنفيذ تُسمى FR-UNet (الشبكة الكاملة الدقة) التي تمتد أفقيًا وعموديًا من خلال آلية تفاعلية متعددة الدقة في التحويل، مع الحفاظ على الدقة الكاملة للصورة. في FR-UNet، تقوم وحدة تجميع الميزات بدمج خرائط الميزات متعددة المقياس من المراحل المجاورة لتعويض المعلومات السياقية عالية المستوى. كما تتعلم الكتل المتبقية المعدلة تمثيلات متعددة الدقة بشكل مستمر، بهدف الحصول على خريطة تنبؤ دقيقة على مستوى البكسل. علاوةً على ذلك، نقترح خوارزمية التكرار ذات الحدّين المزدوج (DTI) لاستخراج بكسلات الأوعية الضعيفة، بهدف تحسين اتصال الأوعية. تم تقييم الطريقة المقترحة على مجموعات بيانات الأوعية الشبكية (DRIVE، CHASE_DB1، وSTARE) وعلى مجموعات بيانات الأشعة التاجية (DCA1 وCHUAC). أظهرت النتائج أن FR-UNet تتفوق على أحدث الطرق في المجال من حيث أعلى قيم دقة الحساسية (Sen)، وقيمة AUC، وقيمة F1، وقيمة IOU على معظم المجموعات المذكورة، مع عدد أقل من المعاملات، كما أن خوارزمية DTI تعزز من اتصال الأوعية وتحسّن بشكل كبير من حساسية الكشف.