Penyakit retina, seperti diabetic retinopathy dan gangguan vaskular lainnya, merupakan salah satu penyebab utama kebutaan di seluruh dunia. Segmentasi citra pembuluh darah retina memainkan peran penting dalam menganalisis morfologi dan struktur pembuluh darah yang dapat membantu diagnosis penyakit retina. Berbagai metode deep learning berbasis convolutional neural networks (CNNs) telah digunakan untuk meningkatkan akurasi segmentasi, tetapi masih menghadapi tantangan dalam memisahkan pembuluh darah halus dari latar belakang dan menangani citra berkualitas rendah.Penelitian ini mengusulkan model DUCK-Net yang diperkuat dengan Convolutional Block Attention Module (CBAM) dan Atrous Spatial Pyramid Pooling (ASPP) untuk meningkatkan performa segmentasi pembuluh darah retina. CBAM digunakan untuk meningkatkan perhatian model terhadap fitur-fitur penting, sedangkan ASPP memungkinkan ekstraksi fitur multi-skala tanpa mengorbankan resolusi citra. Evaluasi dilakukan menggunakan dataset DRIVE dan CHASE_DB1. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi 97,51%, AUC 99,08%, spesifisitas 98,26%, sensitivitas 88,19%, dan F1-score 84,08% pada dataset DRIVE. Pada dataset CHASE_DB1, model memperoleh akurasi 97,60%, AUC 99,05%, spesifisitas 98,79%, sensitivitas 84,59%, dan F1-score 83,56%. Model memiliki jumlah parameter sebesar 5,32 juta. Dengan hasil tersebut, model ini dapat meningkatkan segmentasi pembuluh darah retina untuk membantu deteksi dini gangguan vaskular retina.