Die Netzhaut ist der einzige Teil des menschlichen Körpers, bei dem Blutgefäße mithilfe bildgebender Verfahren wie digitaler Fundusbilder (DFI) nichtinvasiv untersucht werden können. Die räumliche Verteilung der Netzhautmikrogefäße kann sich bei kardiovaskulären Erkrankungen verändern, weshalb die Augen als Fenster zu unserem Herzen betrachtet werden können. Die computergestützte Segmentierung der Netzhautarteriolen und -venolen (A/V) ist für eine automatisierte Mikrogefäßerfassung von grundlegender Bedeutung. Mithilfe des aktiven Lernens haben wir einen neuen DFI-Datensatz erstellt, der 240 manuell durch fünfzehn Medizinstudenten erstellte A/V-Segmentierungen enthält, die von einem Augenarzt überprüft wurden, und entwickelten LUNet, eine neuartige Deep-Learning-Architektur für hochaufgelöste A/V-Segmentierung. Die Architektur von LUNet umfasst ein doppelt dilatiertes Faltungsblock, das darauf abzielt, das Rezeptivfeld des Modells zu erweitern und die Anzahl seiner Parameter zu reduzieren. Darüber hinaus verfügt LUNet über einen langen Schwanz, der in hoher Auflösung arbeitet, um die Segmentierung zu verfeinern. Die benutzerdefinierte Verlustfunktion legt den Schwerpunkt auf die Kontinuität der Blutgefäße. Es wird gezeigt, dass LUNet zwei Stand-of-the-Art-Segmentierungsverfahren sowohl im lokalen Testdatensatz als auch in vier externen Testdatensätzen signifikant übertrifft, die Verteilungsverschiebungen in Bezug auf Ethnizität, Komorbiditäten und Annotatoren simulieren. Wir stellen den neu erstellten Datensatz nach Veröffentlichung offen zur Verfügung.