青光眼是一种因视神经损伤进而导致视力丧失的眼底疾病,是全球第二大致盲眼疾(仅次于白内障),也是导致失明的首要原因。由于青光眼造成的视力损伤不可逆转,因此早期的筛查和诊断对视力的维护至关重要。临床上青光眼筛查可通过眼底照相得到视网膜眼底图,根据眼底图中视杯(OC)与视盘(OD)在垂直方向上直径的比率(CDR)来评估青光眼风险。目前已存在很多工作,通过对视杯视盘进行自动分割进而获取CDR值。准确的视杯视盘分割是精确计算CDR值的关键。视杯视盘分割精度的提高需要大量带有分割标注的数据,而目前主要通过医生以人工方式对数据进行标注,这将耗费大量人力和时间。为减少医生标注工作量,同时提高标注数据的可信度,本文采用基于极值点的视杯视盘分割算法,将M形网络和全卷积网络FCN进行集成学习,提出了一种基于深度学习的互动式眼底图标注方案,医生只需要在眼底图上标注8个极值点,根据系统使用的分割算法,即可得到视杯和视盘的准确标注。本文首先介绍互动式眼底图标注方案,包括标注系统各个模块的详细需求分析,系统的总体设计,以及系统所使用的基于极值点的视杯视盘分割算法。之后介绍系统各个功能模块的编码实现以及视杯视盘分割算分代码的实现。由于标注在PC端进行,系统使用OkHttp网络通信技术解决PC端与算法的数据交互共享问题,同时系统也实现了在算法结果不好时转为人工标注。最后,通过实验对基于极值点的视杯视盘分割算法进行评估,并对互动式眼底图标注系统进行测试分析,以及总结目前系统的一些不足之处,和对下一步工作的展望。