高品質なトレーニングデータは、画像セグメンテーションタスクにおいて重要な役割を果たす。通常、大規模なトレーニングデータに対してピクセル単位のラベル付けは高コストであり、作業が煩雑で時間がかかる。ラベル付けコストを低減し、セグメンテーションの品質を向上させるために、わずかなクリック操作で結果を出力できるインタラクティブセグメンテーション手法が提案されてきた。しかし、これらの手法は実用的なセグメンテーションタスクにおいて速度および精度の観点から、要求水準に満たない場合が多い。本研究では、ユーザーのクリック情報をエッジガイド付きフローで完全に活用する新たなアーキテクチャ「EdgeFlow」を提案する。本手法は、後処理や反復最適化スキームを一切用いずに、最先端の性能を達成している。ベンチマークデータセット上での包括的な実験により、本手法の優位性が実証されている。さらに、本手法を基盤として、実用的なデータラベリングタスク向けの効率的なインタラクティブセグメンテーションツールを開発した。ソースコードおよびツールは、https://github.com/PaddlePaddle/PaddleSeg で公開されている。