近年来,深度学习被应用于多种医学图像分析问题,为医学影像智能辅助诊断带来了巨大突破。然而深度学习医学图像分析仍存在高质量标注数据集的缺乏这一痛点,绝大多数研究过程首先需要构建标注数据集。经过前期调研与分析,当前高质量标注数据集构建过程中存在以下问题:(1)该过程的质量控制缺乏标准框架,且公开的图像标注工具缺少标注过程质量控制功能,不利于标注数据集的准确性。(2)当前大多数公开的标注工具仅提供全手工标注方式,标注效率低下,时间成本高。部分工具提供经过大量数据训练的算法辅助标注的方案,但医学研究的多样性决定了经过大量数据训练的预训练模型难以获得,该方案不适用于医学图像。(3)当前公开的图像标注工具主要提供标注功能,缺乏对于人员、数据集等必要的管理,缺乏团队合作完成标注任务的支持,不足以支撑大规模医学图像的标注工作。针对以上问题,本文的主要研究内容分别如下:(1)在研究影响医学图像标注数据质量的需求的基础上,结合医学影像数据集构建流程设计实现了医学图像数据集构建质量控制框架。针对标注过程中质量控制,引入群智思想,设计与实现了多人协作标注质量控制方法。(2)设计与实现了基于深度学习的半自动标注系统,提高手工标注效率。该系统适应医学领域预标注需求,获取少量标注数据后即训练预标注模型,并能达到较高精度,并基于后续标注数据迭代更新模型,提高预标注效果。(3)搭建了医学图像标注系统,在实现通用格式和医学数字成像和通信(Digital Imaging and Communications in Medicine,DICOM)格式医学图像标注功能的基础上,提供团队协作标注支持与全面高效的管理功能,提供标注过程中质量控制功能,提供算法半自动标注功能。论文研究与实现了面向深度学习的医学图像标注系统,系统已部署于眼科医院应用,支撑眼科医生标注,为高质量医学图像标注数据获得提供了有力支撑。