Die Segmentierung von Gefäßen ist entscheidend für die Diagnose von Erkrankungen und die Planung chirurgischer Eingriffe. In jüngster Zeit haben Verfahren zur Gefäßsegmentierung auf Basis von Deep Learning herausragende Leistungen erzielt. Dennoch bleibt die Segmentierung von Gefäßen herausfordernd, da dünne Gefäße mit geringer Kontrastunterschiede in herkömmlichen U-förmigen Segmentierungsnetzwerken leicht an räumlicher Information verlieren. Um dieses Problem zu mildern, schlagen wir ein neuartiges und einfaches Netzwerk mit voller Auflösung (FR-UNet) vor, das durch einen multiresolutiven Faltung-Interaktionsmechanismus horizontal und vertikal erweitert wird, während die volle Bildauflösung beibehalten wird. Im FR-UNet integriert der Feature-Aggregation-Modul mehrskalige Merkmalskarten benachbarter Stufen, um kontextuelle Informationen auf höherer Ebene zu ergänzen. Die modifizierten Residual-Blöcke lernen kontinuierlich multiresolutionspezifische Darstellungen, um eine präzise pixelgenaue Vorhersagemap zu erzielen. Zudem stellen wir den dualen Schwellenwert-Iterationsalgorithmus (DTI) vor, um schwache Gefäßpixel zu extrahieren und die Gefäßkontinuität zu verbessern. Die vorgeschlagene Methode wurde an Retina-Gefäß-Datensätzen (DRIVE, CHASE_DB1 und STARE) sowie an Koronarangiografie-Datensätzen (DCA1 und CHUAC) evaluiert. Die Ergebnisse zeigen, dass FR-UNet die derzeit besten Methoden übertrifft, indem es auf den meisten der genannten Datensätze die höchsten Werte für Sensitivität (Sen), AUC, F1-Score und IOU erreicht, und zwar mit weniger Parametern. Zudem verbessert der DTI die Gefäßkontinuität erheblich und steigert die Sensitivität signifikant.