網膜血管の高精度なセグメンテーションは、糖尿病や高血圧などの眼疾患の早期診断において極めて重要な意義を持つ。本研究では、数千枚ものアノテーション付き学習サンプルを必要とせず、データ拡張の手法を用いて既存のアノテーション付きサンプルをより効率的に活用可能な軽量ネットワーク「空間注意力U-Net（Spatial Attention U-Net: SA-UNet）」を提案する。SA-UNetは、空間次元に沿って注目マップを推定し、そのマップを入力特徴マップに乗算することで、適応的な特徴の精緻化を実現する空間注意力モジュールを導入している。さらに、U-Netの従来の畳み込みブロックの代わりに構造化ドロップアウト畳み込みブロックを採用することで、ネットワークの過学習を防止している。本手法の有効性は、2つのベンチマーク網膜データセット、すなわち血管抽出データセット（DRIVE）および子供の心臓と健康研究データセット（CHASE_DB1）を用いた評価により検証された。その結果、提案手法SA-UNetは両データセットにおいて最先端の性能を達成した。実装コードおよび学習済みネットワークはGitHubに公開されている。