La segmentation précise des vaisseaux sanguins rétiniens revêt une importance capitale pour le diagnostic précoce de maladies oculaires telles que le diabète et l’hypertension. Dans ce travail, nous proposons un réseau léger nommé Spatial Attention U-Net (SA-UNet), qui ne nécessite pas des milliers d’échantillons d’apprentissage annotés et peut être utilisé de manière à favoriser une augmentation des données, permettant ainsi une utilisation plus efficace des échantillons annotés disponibles. Le SA-UNet intègre un module d’attention spatiale qui calcule une carte d’attention selon la dimension spatiale, puis multiplie cette carte par la carte de caractéristiques d’entrée afin d’affiner de manière adaptative les caractéristiques extraites. En outre, le réseau proposé utilise des blocs de convolution avec dropout structuré à la place des blocs de convolution originaux du U-Net, afin de prévenir le surapprentissage. Nous évaluons le SA-UNet sur deux jeux de données de référence pour la rétine : le jeu de données Vascular Extraction (DRIVE) et le jeu de données Child Heart and Health Study (CHASE_DB1). Les résultats montrent que le SA-UNet atteint des performances de pointe sur les deux jeux de données. Le code source ainsi que les réseaux entraînés sont disponibles sur GitHub¹.