Die Segmentierung von Retinavasen aus Retinabildern ist eine zentrale Aufgabe für die Entwicklung computerunterstützter Diagnosesysteme für Retinakrankheiten. Es wurden erhebliche Anstrengungen unternommen, um leistungsstarke, auf tiefen Lernverfahren basierende Ansätze zu entwickeln, die die Segmentierung von Retinabildern in einem end-to-end-Verfahren durchführen. Allerdings erfordert die Beschaffung von Retinavasenbildern sowie der zugehörigen Segmentierungslabels aufwändige Arbeit durch Fachärzte, was zu kleineren Trainingsdatensätzen mit unvollständigen oder fehlerhaften Etiketten führt. Wie bekannt ist, leiden datengetriebene Methoden unter Datenknappheit, wodurch die Modelle leicht überanpassen (overfit) an die begrenzten Trainingsdaten. Diese Problematik verschärft sich besonders dann, wenn die Trainingsvaseletiketten unvollständig oder fehlerhaft sind. In diesem Artikel stellen wir ein Study Group Learning (SGL)-Verfahren vor, um die Robustheit des Modells, das auf verrauschten Etiketten trainiert wird, zu verbessern. Darüber hinaus liefert eine gelernte Verstärkungskarte eine bessere Visualisierung im Vergleich zu herkömmlichen Methoden und dient als ergänzendes Hilfsmittel für Kliniker. Experimente zeigen, dass die vorgeschlagene Methode die Leistung der Vaskularsegmentierung sowohl auf den DRIVE- als auch auf den CHASE_DB1-Datensätzen weiter verbessert, insbesondere dann, wenn die Trainingsetiketten verrauscht sind.