Les données d'entraînement de haute qualité jouent un rôle fondamental dans les tâches de segmentation d'images. En général, les annotations au niveau des pixels sont coûteuses, fastidieuses et chronophages, notamment en raison du volume important des données d'entraînement. Afin de réduire les coûts d'étiquetage et d'améliorer la qualité de la segmentation, des méthodes de segmentation interactive ont été proposées, permettant d'obtenir des résultats avec seulement quelques clics utilisateur. Toutefois, leurs performances ne satisfont pas pleinement les exigences des tâches pratiques de segmentation en termes de vitesse et de précision. Dans ce travail, nous proposons EdgeFlow, une nouvelle architecture qui exploite pleinement les informations interactives provenant des clics utilisateurs grâce à un flux guidé par les contours. Notre méthode atteint des performances de pointe sans recourir à aucun post-traitement ni à des schémas d'optimisation itératifs. Des expériences approfondies sur des benchmarks démontrent également l'efficacité supérieure de notre approche. En outre, grâce à cette méthode, nous avons développé un outil interactif de segmentation efficace destiné aux tâches pratiques d'étiquetage de données. Le code source et l'outil sont disponibles à l'adresse suivante : https://github.com/PaddlePaddle/PaddleSeg.