La segmentation des vaisseaux rétiniens est d'un grand intérêt pour le diagnostic des maladies vasculaires rétiniennes. Afin d'améliorer davantage les performances de la segmentation des vaisseaux, nous proposons IterNet, un nouveau modèle basé sur UNet, capable de repérer des détails obscurs des vaisseaux à partir de l'image de segmentation elle-même, plutôt que de l'image d'entrée brute. IterNet est composé de plusieurs itérations d'un mini-UNet, pouvant atteindre une profondeur 4 fois supérieure à celle d'un UNet classique. IterNet adopte également des caractéristiques de partage de poids et de connexions bypass (skip-connections) afin de faciliter l'apprentissage ; aussi, malgré sa structure très large, IterNet peut apprendre efficacement à partir de seulement 10 à 20 images étiquetées, sans nécessiter d'apprentissage préalable ni aucune connaissance a priori. IterNet atteint des scores AUC de 0,9816, 0,9851 et 0,9881 respectivement sur trois jeux de données courants : DRIVE, CHASE-DB1 et STARE, qui représentent actuellement les meilleurs résultats publiés dans la littérature. Le code source est disponible.