از جمله دلایل عمده‌ی از دست دادن بینایی می‌توان به مواردی همچون آب مروارید، ماکولا وابسته به سن، گلوکوم، رتینوپاتی دیابتی، کدورت قرنیه و تراخم اشاره کرد. اکثر این بیماری‌ها به شبکیه چشم مرتبط هستند و در صورت تشخیص در مراحل اولیه، قابل پیشگیری و درمان می‌باشند. پزشکان با تجزیه و تحلیل تصاویر شبکیه به شناسایی و تشخیص این بیماری‌ها می‌پردازند. با این حال، فرایند تشخیص توسط پزشکان معمولا زمانبر، مستعد خطا و نیازمند آموزش تخصصی است.امروزه با پیشرفت سریع الگوریتم‌های یادگیری عمیق قطعه‌بندی خودکار رگ‌های شبکیه مورد توجه زیادی قرار گرفته است. یکی از روش‌‍‌ها‌ی موفق در سال‌های اخیر، شبکه‌های ترکیبی مبدل و پیچشی است. این مدل‌های ترکیبی، از لایه‌های پیچشی برای استخراج ویژگی‌های محلی استفاده می‌کنند و با بهره‌گیری از مبدل‌های بینایی و مکانیسم توجه به خود، زمینه سراسری داده‌ها را بدست می‌آورند. در این پژوهش شبکه UNETR++، یک شبکه ترکیبی است که برای قطعه‌بندی رگ‌های شبکیه به کار گرفته شده است. برای بهبود این شبکه از یک بلوک توجه کانالی فشار-تحریک استفاده شده است. این بلوک، دارای دو بخش فشار و تحریک است که در بخش فشار، به تعبیه اطلاعات مکانی‌سراسری می‌پردازد و در بخش تحریک، وزن کالیبراسیون مجدد کانال‌ها را تولید می‌کند. این فرایند موجب افزایش تمرکز بر ویژگی‌های مهم‌تر می‌شود. نتایج بدست آمده از مجموعه داده‌های DRIVE، STARE و CHASE-DB1 نشان‌دهنده اثر مطلوب این بلوک توجه کانالی روی شبکه مورد نظر است. افزایش تمام معیارهای ارزیابی خصوصا معیار حساسیت از  04/82 به 17/84 در مجموعه داده DRIVE و از 42/79 به 86/84 در مجموعه داده STARE بهبود عملکرد روش پیشنهادی را نشان می‌دهد. زیرا معیار حساسیت نشان‌دهنده تشخیص رگ به درستی است و روش پیشنهادی در تشخیص بهتر رگ‌های ریز موفق‌تر عمل کرده است.