Die präzise Segmentierung von Retinablutgefäßen ist von großer Bedeutung für die Früherkennung augenbezogener Erkrankungen wie Diabetes und Hypertonie. In dieser Arbeit stellen wir ein leichtgewichtiges Netzwerk namens Spatial Attention U-Net (SA-UNet) vor, das keine Tausende von annotierten Trainingsbeispielen erfordert und stattdessen in einer Datenverstärkungs- (data augmentation) Weise genutzt werden kann, um die verfügbaren annotierten Daten effizienter auszunutzen. SA-UNet führt ein räumliches Aufmerksamkeitsmodul ein, das die Aufmerksamkeitskarte entlang der räumlichen Dimension ermittelt und diese mit dem Eingabefeature-Map multipliziert, um die Merkmale adaptiv zu verfeinern. Zusätzlich verwendet das vorgeschlagene Netzwerk strukturierte Dropout-Konvolutionsschichten anstelle der ursprünglichen Konvolutionsschichten von U-Net, um Überanpassung des Netzwerks zu verhindern. Wir evaluieren SA-UNet anhand zweier etablierter Benchmark-Datensätze für die Retina: des Vascular Extraction (DRIVE)-Datensatzes und des Child Heart and Health Study (CHASE_DB1)-Datensatzes. Die Ergebnisse zeigen, dass das vorgeschlagene SA-UNet sowohl auf beiden Datensätzen eine state-of-the-art-Leistung erzielt. Die Implementierung und die trainierten Netzwerke sind auf Github1 verfügbar.