Die optische Kohärenztomographie-Angiographie (OCT-A) ist eine nicht-invasive Bildgebungsmodalität, die zunehmend zur Abbildung der retinalen Gefäßstruktur mit Kapillardetailauflösung eingesetzt wird. Dennoch wurde die automatisierte Segmentierung retinaler Gefäße in OCT-A aufgrund verschiedener Herausforderungen – wie geringe Sichtbarkeit von Kapillaren und hohe Gefäßkomplexität – bisher unterforscht, obwohl sie von zentraler Bedeutung für das Verständnis zahlreicher augenbezogener Erkrankungen ist. Zudem existiert bisher kein öffentlich zugängliches OCT-A-Datensatz mit manuell annotierten Gefäßen zur Nutzung im Training und zur Validierung von Algorithmen. Um diese Lücken zu schließen, präsentieren wir erstmals im Bereich der retinalen Bildanalyse den spezialisierten Retinal OCT-A SEgmentation-Datensatz (ROSE), der aus 229 OCT-A-Bildern mit Gefäßannotationen auf Zentrumslinien- oder Pixel-Ebene besteht. Dieser Datensatz wurde öffentlich freigegeben, um die Forschung in diesem Bereich zu unterstützen. Zweitens stellen wir ein neuartiges Split-basiertes, grob-zu-fein segmentierendes Gefäßnetzwerk (SCF-Net) vor, das in der Lage ist, dicke und dünne Gefäße getrennt zu detektieren. Im SCF-Net wird zunächst ein Split-basiertes grobes Segmentierungsmodul (SCS) eingeführt, um eine vorläufige Vertrauenskarte der Gefäße zu generieren, gefolgt von einem Split-basierten Verfeinerungsmodul (SRN), das die Form und Kontur der retinalen Mikrogefäße optimiert. Drittens führen wir eine umfassende Bewertung der state-of-the-art-Gefäßsegmentierungsmodelle sowie unseres SCF-Net auf dem vorgeschlagenen ROSE-Datensatz durch. Die experimentellen Ergebnisse zeigen, dass unser SCF-Net im Vergleich zu traditionellen Methoden und anderen Deep-Learning-Ansätzen eine überlegene Segmentierungsgenauigkeit in OCT-A-Bildern erreicht.