CN104834914A

CN104834914A - 宫颈细胞图像特征识别方法及宫颈细胞特征识别装置

Info

Publication number: CN104834914A
Application number: CN201510247344.7A
Authority: CN
Inventors: 陈锦; 罗晓曙; 刘艳红
Original assignee: Guangxi Normal University
Current assignee: Guangxi Normal University
Priority date: 2015-05-15
Filing date: 2015-05-15
Publication date: 2015-08-12

Abstract

本发明提供一种宫颈细胞图像特征识别方法及宫颈细胞特征识别装置，宫颈细胞图像特征识别方法包括步骤S100：对宫颈细胞彩色图像转换成灰度图像；S200：对宫颈细胞灰度图像利用均值分割方法分割提取宫颈细胞的细胞核；S300：使用灰度加权中心定位方法，对细胞核中心进行精确定位；S400：将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像；S500：将宫颈细胞图像在极坐标系中的各极径上的灰度中值构成的向量作为宫颈细胞图的特征向量；S600：利用宫颈细胞训练样本对支持向量机分类器进行训练并使用分类器对宫颈细胞测试样本图像做出类别判断。本发明相比传统方法提取的几何特征，具有尺寸不变性，旋转不变性的特点，识别率高、识别速度快的优点。

Description

宫颈细胞图像特征识别方法及宫颈细胞特征识别装置

技术领域

本发明属于医学细胞图像处理领域，具体涉及一种宫颈细胞图像特征识别方法及宫颈细胞特征识别装置。

背景技术

宫颈癌已经成为严重危害女性健康的杀手，是发病率最高的恶性肿瘤之一，宫颈癌能否在前期给出诊断是医生治疗的关键，随着细胞学诊断技术的日益进步，宫颈细胞诊断识别的方法已经成为辅助医师诊断宫颈癌的主要技术。

目前，宫颈细胞识别方法通常是在笛卡尔坐标空间中，提取宫颈细胞图像的形态特征、纹理特征以及色彩特征，作为识别宫颈细胞癌变的特征，但这样的方法，细胞的细胞核、细胞质和背景不容易区分，造成尺寸易变，稳定性不够，因此提取的特征不够充分，识别率低，而且计算量大，识别速度慢。

发明内容

本发明旨在解决现有技术中存在的技术问题之一。为此，本发明提供了一种宫颈细胞图像特征识别方法及宫颈细胞特征识别装置，可以充分提取正常宫颈细胞、异常宫颈细胞、宫颈癌细胞三类细胞的细胞核与细胞质的边缘、形状、颜色等特性，并且本发明方法的计算工作量少、实现成本低、识别精确度高。

根据本发明第一方面提供的一种宫颈细胞图像特征识别方法包括如下步骤：S100：对宫颈细胞彩色图像转换成灰度图像；S200：对宫颈细胞灰度图像利用k均值分割方法分割提取宫颈细胞的细胞核；S300：使用灰度加权中心定位方法，对宫颈细胞的细胞核中心进行精确定位；S400：将已经定位的所述宫颈细胞核中心作为极坐标系的原点，宫颈细胞图像像素点至细胞核中心的最大距离作为极坐标系的最大半径，将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像；S500：将宫颈细胞图像在极坐标系中的各极径上的灰度中值构成的向量作为宫颈细胞图的特征向量；S600：将宫颈细胞图像数据集按一定比例分为训练样本和测试样本，利用宫颈细胞训练样本对支持向量机分类器进行训练并使用训练完成的分类器对宫颈细胞测试样本图像做出所属类别的判断，完成宫颈细胞不同发育阶段的状态识别。

本发明的宫颈细胞识别方法提取的特征，通过在在极坐标中对宫颈细胞图像特征进行提取，相比传统方法提取的几何特征，具有尺寸不变性，旋转不变性的，且与在传统笛卡尔坐标系中进行细胞特征识别相比，具有识别率高、识别速度快的优点。

进一步的，在步骤S100中对宫颈细胞彩色图像转换成灰度图像的过程，首先设三维彩色宫颈细胞图像为K(m,n,l)，则二维宫颈细胞灰度图像按以下公式转换：

k(m,n)＝0.11*K(m,n,1)+0.59*K(m,n,2)+0.3*K(m,n,3)。

进一步的，步骤S200包括如下具体步骤

S201：令宫颈细胞灰度图像像素点个数为N，迭代次数为R，随机选取2个像素点作为初始聚类中心C_j(r)，其中：j＝1,2，r＝1,2,3,…,R；

S202：计算宫颈细胞图像的每一像素点与初始聚类中心C_j(r)的距离，计算公式为

D(k_i,C_j(r))＝|k_i-C_j(r)|

其中，i＝1,2，判断是否满足其中ε为任意给定的正数，若满足，则k_i∈类W_j，k_i记为ω；

S203：计算新的聚类中心，其中计算方法公式为

C_{j} (r + 1) = \frac{1}{n} Σ_{i = 1}^{nj} k_{i}^{(j)}

S204：判断聚类是否合理，其中判断公式为

{| Σ_{i = 1}^{2} Σ_{w &Element; W_{j}} | w - C_{j} (r + 1) |}^{2} - Σ_{i = 1}^{2} Σ_{w &Element; W_{j}} {| w - C_{j} (r) |}^{2} | < e

若公式不成立返回步骤S202迭代，直至判断公式成立而获得宫颈细胞的细胞核图像I(m,n)。

进一步的，步骤S300包括如下具体过程：

S301：对细胞核图像k(m,n)初始化xc1＝0，xc2＝0，yc1＝0，yc2＝0，m＝1，n＝1；

S302：判断I(m,n)是否为零，如果为零，则执行步骤S304,否则执行步骤S303；

S303：xc1＝xc1+m*(255-I(m,n))，xc2＝xc2+255-I(m,n)，yc1＝yc1+n*(255-I(m,n))，yc1＝yc1+255-I(m,n)；

S304：判断n是否达到图像的宽度，如果未达到图像的宽度，则n＝n+1，返回执行步骤S302，直至n达到图像的宽度；

S305：判断m是否达到图像的高度，如果m未达到图像的高度，则m＝m+1，n＝1，返回执行步骤S302，直至m达到图像的高度；

S306：xc＝xc1/xc2，yc＝yc1/yc2，对xc，yc取整即可获得细胞核中心坐标(xc,yc)。

进一步的，步骤S400中，将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像包括如下具体过程：

S401：对初始细胞灰度图像k(m,n)，细胞核中心坐标(xc,yc)初始化maxr＝0，m＝1，n＝1；

S402：计算细胞图像的像素点距细胞核中心的距离rr，判断rr是否大于maxr，如果rr大于maxr，则maxr＝rr，其中rr计算公式为

rr = \sqrt{{(m - xc)}^{2} + {(n - yc)}^{2}};

S403：判断n是否达到图像的宽度，如果不成立，则n＝n+1，返回执行步骤S402，直至n达到图像的宽度；

S404：判断m是否达到图像的高度，如果不成立，则m＝m+1，n＝1，返回执行步骤S402，直至m达到图像的高度；

S405：对maxr取整，设置极坐标极角间隔mincta，极坐标极角尺度θ＝0:mincta:2*(pi-mincta)，极坐标极径尺度ρ＝1:maxr，初始化i＝1，j＝1；

S406：i1＝xc+round(ρ(i)*cos(θ(j)))，j1＝yc-round(ρ(i)*sin(θ(j)))，判断像素点(i1,j1)是否在细胞图像中，如果像素点在图像中，则p(i,j)＝k(i1,j1)，如果像素点不在图像中，则p(i,j)＝0；

S407：判断极角是否大于最大极角，如果判断结果为否，则j＝j+1，并返回执行步骤S406，直至极角大于最大极角；

S408：判断极径是否大于最大极径，如果判断结果为否，则i＝i+1，j＝1，并返回执行步骤S406，直至极径大于最大极径并输出极坐标空间中的细胞图像p。

1.进一步的，于步骤S500中，极坐标空间中的细胞图像p为

p = [\begin{matrix} p_{1,1} & p_{1,2} & . . . . . . & p_{1, (\frac{2 * pi}{\min cta} - 1)} \\ p_{2,1} & p_{2,2} & . . . . . . & p_{2, (\frac{2 * pi}{\min cta} - 1)} \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ p_{\max r, 1} & p_{\max r, 2} & . . . . . . & p_{\max r, (\frac{2 * pi}{\min cta} - 1)} \end{matrix}],

式中maxr极坐标的最大半径、mincta为极坐标的极角间隔；

将极坐标空间中每条极径上的宫颈细胞图像灰度中值作为宫颈细胞图像的特征值，即可

进一步的，步骤S600中：利用宫颈细胞训练样本对支持向量机分类器进行训练并使用训练完成的分类器对宫颈细胞测试样本图像做出所属类别的判断的具体过程包括：将宫颈细胞训练样本按步骤S100至步骤S500进行操作获取宫颈细胞图的特征向量并进行归一化处理，归一化至[-1,+1]之间，通过SVM模式采用径向核基函数形成SVM模型，并通过SVM模型对测试样本进行预测识别，其中径向核基函数为参数γ取为0.001，Y，Y_i作为输入特征向量。

本发明的宫颈细胞图像特征识别方法所提取的宫颈细胞图像特征具有尺寸不变性，旋转不变性等特性，宫颈细胞图像特征提取简单、快速、精确，而且不需要对细胞核、细胞质进行精确分割。

本发明依据宫颈细胞类似椭圆形状的特性，将宫颈细胞图像由笛卡尔坐标空间转换到极坐标空间中，在极坐标空间中对宫颈细胞进行识别，宫颈细胞图像由笛卡尔坐标空间转化到极坐标空间后，易于区分宫颈细胞的细胞核、细胞质和背景，与传统的宫颈细胞识别方法相比，可以更加充分提取正常宫颈细胞、异常宫颈细胞、宫颈癌细胞三类细胞的细胞核与细胞质的边缘、形状、颜色等特性，识别精确度高，并且计算工作量少从而可以实现低成本，针对在极坐标空间中提取的宫颈细胞特征，采用支持向量机(Support Vector Machine，SVM)分类器对宫颈细胞样本图像进行训练与对测试样本识别分类，提高了宫颈细胞图像识别的精确度与识别速度。

本发明，另一方面还提供一种宫颈细胞特征识别装置，所述宫颈细胞特征识别装置包括细胞图像输入接收模块、细胞图像处理模块、细胞图像识别模块，其中所述细胞图像输入接收模块接收细胞图像的输入并输出至所述细胞图像处理模块，所述细胞图像处理模块采用如权利要求1中的步骤S100、S200、S300、S400、S500对细胞图像进行处理以获得宫颈细胞图像特征向量，所述细胞图像处理模块与所述细胞图像识别模块连接并将所获得宫颈细胞图像特征向量输送至所述细胞图像识别模块，所述细胞图像识别模块按照权利要求1中的步骤S600对输入的所述宫颈细胞图像进行预测识别。

进一步的，宫颈细胞特征识别装置还包括与细胞图像识别模块连接用于提示细胞图像预测识别结果的预测结果提示模块，所述预测结果提示模块包括语音或/和图像提示。

本宫颈细胞特征识别装置提高了宫颈细胞图像识别的精确度与识别速度，医生可以快速地诊断出女性宫颈癌的早期病变，对女性宫颈癌的预防与治疗有较好的应用价值。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明的宫颈细胞图像特征识别方法原理示意图；

图2为本发明的宫颈细胞图像特征识别方法中宫颈细胞核中心定位原理示意图；

图3为本发明的宫颈细胞图像特征识别方法中宫颈细胞图像转为极坐标空间图像原理示意图；

图4为7类宫颈细胞图像：其中图4(a)为宫颈癌细胞图像(carcinoma in situ)，图4(b)为轻微发育异常宫颈细胞图像(light dysplastic)，图4(c)为中等发育异常宫颈细胞图像(moderate dysplastic)；图4(d)为正常柱状宫颈细胞图像(normal columnar)，4(e)为正常中间级宫颈细胞图像(normal intermediate)，图4(f)为正常表皮宫颈细胞图像(normalsuperficiel)，图4(g)为严重发育不良宫颈细胞图像(severe dysplastic)；

图5为7类宫颈细胞图像分割及细胞核中心定位效果图；

图6为宫颈细胞图像由笛卡尔坐标系转为极坐标系示意图；

图7为7类宫颈细胞图像转为极坐标系中的图像；

图8为为7类宫颈细胞图像特征曲线图；

图9宫颈细胞2分类的识别率对比条形图；

图10为为宫颈细胞7分类的识别率对比条形图；

图11为本发明的宫颈细胞特征识别装置组成示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-3对本发明实施例的多特征整合的宫颈细胞图像特征提取与识别方法做进一步的描述。

如图1所示的本发明的宫颈细胞图像特征识别方法原理示意图，包括如下步骤：

S100：对宫颈细胞彩色图像转换成灰度图像；

S200：对宫颈细胞灰度图像利用k均值分割方法分割提取宫颈细胞的细胞核；

S300：使用灰度加权中心定位方法，对宫颈细胞的细胞核中心进行精确定位；

S400：将已经定位的所述宫颈细胞核中心作为极坐标系的原点，宫颈细胞图像像素点至细胞核中心的最大距离作为极坐标系的最大半径，将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像；

S500：将宫颈细胞图像在极坐标系中的各极径上的灰度中值构成的向量作为宫颈细胞图的特征向量；

S600：将宫颈细胞图像数据集按一定比例分为训练样本和测试样本，利用宫颈细胞训练样本对支持向量机分类器进行训练并使用训练完成的分类器对宫颈细胞测试样本图像做出所属类别的判断，完成宫颈细胞不同发育阶段的状态识别。

其中，步骤S100中对宫颈细胞彩色图像转换成灰度图像的过程，首先设三维彩色宫颈细胞图像为K(m,n,l)，则二维宫颈细胞灰度图像按以下公式转换

k(m,n)＝0.11*K(m,n,1)+0.59*K(m,n,2)+0.3*K(m,n,3)。

然后根据步骤S200，对宫颈细胞灰度图像做k均值分割处理，提取宫颈细胞核图像，具体过程,包括以下步骤：

D(k_i,C_j(r))＝|k_i-C_j(r)|

S203：计算新的聚类中心，其中计算方法公式为

C_{j} (r + 1) = \frac{1}{n} Σ_{i = 1}^{nj} k_{i}^{(j)}

S204：判断聚类是否合理，其中判断公式为

{| Σ_{i = 1}^{2} Σ_{w &Element; W_{j}} | w - C_{j} (r + 1) |}^{2} - Σ_{i = 1}^{2} Σ_{w &Element; W_{j}} {| w - C_{j} (r) |}^{2} | < e

针对k均值分割方法获得的宫颈细胞核图像I(m,n)，在步骤S300中，利用灰度加中心定位方法对宫颈细胞核中心进行精确定位的具体过程包括步骤：

图4为7类宫颈细胞图像，其中图4(a)为宫颈癌细胞图像(carcinoma insitu)，图4(b)为轻微发育异常宫颈细胞图像(light dysplastic)，图4(c)为中等发育异常宫颈细胞图像(moderate dysplastic)；图4(d)为正常柱状宫颈细胞图像(normal columnar)，4(e)为正常中间级宫颈细胞图像(normalintermediate)，图4(f)为正常表皮宫颈细胞图像(normal superficiel)，图4(g)为严重发育不良宫颈细胞图像(severe dysplastic)，这7类宫颈细胞图像的细胞分割及细胞核中心定位结果如图5所示，细胞核中心位置实现了精准定位。

根据获得的细胞灰度图像k(m,n)，细胞核中心坐标(xc,yc)，在步骤S400中，将已经定位的所述宫颈细胞核中心作为极坐标系的原点，宫颈细胞图像像素点至细胞核中心的最大距离作为极坐标系的最大半径，将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像；其中将笛卡尔坐标系中的细胞图像转换为极坐标中细胞图像包括如下具体过程

rr = \sqrt{{(m - xc)}^{2} + {(n - yc)}^{2}};

图6为宫颈细胞图像由笛卡尔坐标系转为极坐标系示意图，7类宫颈细胞极坐标转换图结果如图7所示。

在本实施例中，极坐标空间中的细胞图像p为

p = [\begin{matrix} p_{1,1} & p_{1,2} & . . . . . . & p_{1, (\frac{2 * pi}{\min cta} - 1)} \\ p_{2,1} & p_{2,2} & . . . . . . & p_{2, (\frac{2 * pi}{\min cta} - 1)} \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ . & . & . \\ p_{\max r, 1} & p_{\max r, 2} & . . . . . . & p_{\max r, (\frac{2 * pi}{\min cta} - 1)} \end{matrix}],

式中maxr极坐标的最大半径、mincta为极坐标的极角间隔；

将极坐标空间中每条极径上的宫颈细胞图像灰度中值作为宫颈细胞图像的特征值，即可构成宫颈细胞图像的特征向量

[median (p_{1}), median (p_{2}), . . ., median (p_{i}), . . . median (p_{\frac{2 * pi}{\min cta} - 1})],

其中p_i＝[p_1,i,p_2,i,p_3,i,…,p_maxr,i]^T。图8为7类宫颈细胞图像的特征向量曲线图。

在步骤S600中，利用宫颈细胞训练样本对支持向量机分类器进行训练并使用训练完成的分类器对宫颈细胞测试样本图像做出所属类别的判断的具体过程包括：将宫颈细胞训练样本按步骤S100至步骤S500进行操作获取宫颈细胞图的特征向量并进行归一化处理，归一化至[-1,+1]之间，通过SVM模式采用径向核基函数形成SVM模型，并通过SVM模型对测试样本进行预测识别，其中径向核基函数为参数γ取为0.001，Y、Y_i作为输入特征向量。

本发明采用SVM分类器对宫颈细胞训练样本提取的特征矢量进行训练，在实施例子中，共将7种状态下的宫颈细胞按7类数据进行标签处理，7类标签分别设为{1,2,3,4,5,6,7}；或将宫颈细胞分为正常与非正常两类数据标签，实现宫颈细胞的二分类处理，其中7种状态下的宫颈细胞分别为正常柱状细胞、正常中层细胞、正常表层细胞、轻度鳞状上皮内病变细胞、中度鳞状上皮内病变细胞、重度鳞状上皮内病变细胞、鳞状细胞癌细胞，其图像图4所示。本实施例具体采用svmpredict预测方法进行预测，从而可得到宫颈细胞测试样本的类别，达到宫颈细胞识别的目的。

本实施例所使用的实验数据来源于Herlev宫颈细胞图像数据集(http://labs.fme.aegean.gr/decision/downloads)，Herlev宫颈细胞图像数据集是由丹麦技术大学(Technical University of Denmark)和Herlev大学医院(Herlev University Hospital)联合开发，宫颈细胞图像的分辨率为0.21微米/像素。表1、表2分别为使用本发明方法的宫颈细胞2分类与7分类的识别结果，从表1中可以显示出本发明对宫颈细胞二分类平均识别率达到了96.86％，从表2中显示出本发明对宫颈细胞七分类平均识别率达到了93.02％。本发明方法与采用贝叶斯(Bayes)分类器、线性判别分析(Linear DiscriminantAnalysis,LDA)分类器、k近邻(k Nearest Neighbor,kNN)分类器、人工神经网络(Artificial Neural Network,ANN)分类器、支持向量机(Support VectorMachine，SVM)分类器,通过宫颈细胞在笛卡尔坐标中提取的20种几何特征对宫颈细胞进行识别分类(Thanatip Chankong,Nipon Theera-Umpon,and SansaneeAuephanwiriyakul,“Automatic cervical cell segmentation andclassification in Pap smears”,COMPUTER METHODS AND PROGRAMS INBIOMEDICINE,no.113,pp.539-556,2014.),2分类识别率提高了16.75％，7分类识别率提高了19.52％，识别率对比图分别如图9、10所示。因此，本发明方法识别率优于传统宫颈细胞在笛卡尔坐标系中的识别方法，达到了女性宫颈癌早期诊断，及时发现宫颈癌的早期病变的目的。

本发明另一方面提供宫颈细胞特征识别装置，如图11所示，所述宫颈细胞特征识别装置包括细胞图像输入接收模块10、细胞图像处理模块20、细胞图像识别模块30，其中所述细胞图像输入接收模块10接收细胞图像的输入并输出至所述细胞图像处理模块20，所述细胞图像处理模块20采用如前所述的宫颈细胞图像特征识别方法的步骤S100、S200、S300、S400、S500对细胞图像进行处理以获得宫颈细胞图像特征向量，所述细胞图像处理模块20与所述细胞图像识别模块30连接并将所获得宫颈细胞图像特征向量输送至所述细胞图像识别模块30，所述细胞图像识别模块30按照如前所述的宫颈细胞图像特征识别方法的步骤S600对输入的所述宫颈细胞图像进行预测识别。

另外，如图11所示，宫颈细胞特征识别装置还包括与细胞图像识别模块30连接用于提示细胞图像预测识别结果的预测结果提示模块40，所述预测结果提示模块40包括语音或/和图像提示。

以上实施例仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

表1

细胞类型	总细胞数	正确识别细胞数	正确识别率
				正常宫颈细胞	121	117	96.69％
非正常宫颈细胞	337	327	97.03％

表2

细胞类型	总细胞数	正确识别细胞数	正确识别率
				正常柱状宫颈细胞	37	37	100％
正常鳞状宫颈细胞	34	34	100％
				正常上皮鳞状宫颈细胞	49	43	87.76％
轻微发育异常宫颈细胞	91	83	91.20％
				中度发育异常宫颈细胞	73	65	89.04％
严重发育异常宫颈细胞	98	88	89.80％
				宫颈癌细胞	75	70	93.33％

Claims

1.一种宫颈细胞图像特征识别方法，包括如下步骤：

S100：对宫颈细胞彩色图像转换成灰度图像；

2.如权利要求1所述的宫颈细胞图像特征识别方法，其特征在于步骤S400中，将笛卡尔坐标系中的宫颈细胞图像转换为极坐标系中的宫颈细胞图像包括如下具体过程

rr = \sqrt{{(m - xc)}^{2} + {(n - yc)}^{2}};

3.如权利要求1所述的宫颈细胞图像特征识别方法，其特征在于步骤S500中，极坐标空间中的细胞图像p为

p = [\begin{matrix} p_{1,1} & p_{1,2} & . . . . . . & p_{1, (\frac{2 * pi}{\min cta} - 1)} \\ p_{2,1} & p_{2,2} & . . . . . . & p_{2, (\frac{2 * pi}{\min cta} - 1)} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ p_{\max r, 1} & p_{\max r, 2} & . . . . . . & p_{\max r, (\frac{2 * pi}{\min cta} - 1)} \end{matrix}],

式中maxr极坐标的最大半径、mincta为极坐标的极角间隔将极坐标空间中每条极径上的宫颈细胞图像灰度中值作为宫颈细胞图像的特征值，即可构成宫颈细胞图像的特征向量其中p_i＝[p_1,i,p_2,i,p_3,i,…,p_maxr,i]^T。

4.一种宫颈细胞特征识别装置，包括细胞图像输入接收模块、细胞图像处理模块、细胞图像识别模块，其中所述细胞图像输入接收模块接收细胞图像的输入并输出至所述细胞图像处理模块，所述细胞图像处理模块采用如权利要求1中的步骤S100、S200、S300、S400、S500对细胞图像进行处理以获得宫颈细胞图像特征向量，所述细胞图像处理模块与所述细胞图像识别模块连接并将所获得宫颈细胞图像特征向量输送至所述细胞图像识别模块，所述细胞图像识别模块按照权利要求1中的步骤S600对输入的所述宫颈细胞图像进行预测识别。

5.如权利要求4所述的宫颈细胞特征识别装置，其特征在于还包括与细胞图像识别模块连接用于提示细胞图像预测识别结果的预测结果提示模块，所述预测结果提示模块包括语音或/和图像提示。