Die Segmentierung retinaler Gefäße ist für die Diagnose verschiedener Erkrankungen von großer Bedeutung. Die Forschung zur Segmentierung retinaler Gefäße konzentriert sich hauptsächlich auf die Verbesserung von Segmentierungsmodellen, die üblicherweise auf der U-Net-Architektur basieren. In unserer Studie nutzen wir ebenfalls die U-Net-Architektur und setzen auf eine intensive Datenverstärkung (data augmentation), um eine verbesserte Leistung zu erzielen. Der Erfolg der Datenverstärkung beruht entscheidend darauf, das Problem der Eingabebilder erfolgreich zu lösen. Durch die Analyse der Eingabebilder und die gezielte Anpassung der Verstärkungstechniken zeigen wir, dass sich die Leistungsfähigkeit des U-Net-Modells erheblich steigern lässt. Die Ergebnisse werden anhand des am weitesten verbreiteten Retina-Datensatzes, DRIVE, präsentiert.