• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于ResNet50網(wǎng)絡(luò)的乳腺癌病理圖像分類(lèi)研究

    2019-05-07 09:23:38劉曉芳徐文龍
    關(guān)鍵詞:殘差卷積病理

    王 恒,李 霞,劉曉芳,徐文龍

    (中國(guó)計(jì)量大學(xué) 信息工程學(xué)院,浙江 杭州 310018)

    據(jù)美國(guó)癌癥協(xié)會(huì)(ACS)公布的數(shù)據(jù)顯示,女性癌癥患者中乳腺癌患者占最高比例,且具有年輕化的趨勢(shì)[1]。癌癥的早發(fā)現(xiàn)以及早期病變時(shí)的及時(shí)診斷和治療,對(duì)于患者的康復(fù)具有很大的幫助,所以病理圖像的準(zhǔn)確定性和分類(lèi)識(shí)別具有重要的研究意義。

    病理圖像是指為了醫(yī)療或醫(yī)學(xué)研究,對(duì)人體進(jìn)行病理檢查而得到的病理圖像信息。根據(jù)醫(yī)學(xué)圖像性質(zhì)和應(yīng)用特點(diǎn),有針對(duì)性地研究高效的檢測(cè)和分類(lèi)方法一直是研究人員關(guān)注的課題[2-3]。在傳統(tǒng)機(jī)器學(xué)習(xí)乳腺癌病理圖像研究領(lǐng)域,基于人工提取的圖像形狀和紋理特征,Wang等人[4]使用支持向量機(jī)(SVM)對(duì)68幅圖像的分類(lèi)準(zhǔn)確率為96.19%。Zhang等人[5]基于人工設(shè)計(jì)特征的單類(lèi)核PCA方法,對(duì)361幅圖像分類(lèi),達(dá)到92%的精度。2015年,Spanhol等人[6]發(fā)布了BreaKHis數(shù)據(jù)集,使用無(wú)參數(shù)閾值鄰接統(tǒng)計(jì)(PFTAS)提取出6種特征描述子,然后分別使用SVM、隨機(jī)森林(RF)和二次判別分析(QDA)三種傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行分類(lèi),識(shí)別率達(dá)80%~85%。但是上述研究方法存在數(shù)據(jù)集小或者數(shù)據(jù)集不同造成的實(shí)驗(yàn)結(jié)果不具有可比性、人工設(shè)計(jì)特征或提取特征的復(fù)雜性、跨專(zhuān)業(yè)領(lǐng)域的障礙性等問(wèn)題,嚴(yán)重影響了計(jì)算機(jī)輔助治療在實(shí)際中的應(yīng)用。

    近年來(lái),深度學(xué)習(xí)技術(shù)作為一類(lèi)多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,可通過(guò)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)特征,并且通過(guò)組合低層特征形成更加抽象的深層表示(屬性類(lèi)別或特征)。它將傳統(tǒng)機(jī)器學(xué)習(xí)的人工設(shè)計(jì)或者提取特征環(huán)節(jié)進(jìn)行自動(dòng)化,實(shí)現(xiàn)了復(fù)雜函數(shù)逼近和表征輸入數(shù)據(jù)分布式表示,從而可以學(xué)習(xí)到數(shù)據(jù)集的本質(zhì)特征[7]。卷積神經(jīng)網(wǎng)絡(luò)及其變體網(wǎng)絡(luò)對(duì)于圖像的處理有著卓越的效果[8-10],奠定了深度學(xué)習(xí)在識(shí)別乳腺癌病理圖像的應(yīng)用基礎(chǔ)[11-12]。2015年BreaKHis數(shù)據(jù)集[6]公開(kāi)之后,眾多研究學(xué)者針對(duì)該數(shù)據(jù)集進(jìn)行了研究探討:Spanhol等人[13]使用AlexNet網(wǎng)絡(luò),識(shí)別率比傳統(tǒng)機(jī)器學(xué)習(xí)算法高出6%,但是識(shí)別率仍然較低,不能滿足臨床需要;Bayramoglu等人[14]取得約83%的準(zhǔn)確率,采用的是基于放大倍數(shù)獨(dú)立CNN方法,該方法同樣存在精度不足問(wèn)題;Wei等人[15]以GoogleNet為基礎(chǔ)框架,將類(lèi)和子類(lèi)的乳腺癌標(biāo)簽作為先驗(yàn)知識(shí),構(gòu)建BICNN模型,達(dá)到97%分類(lèi)正確率,但是該方法存在模型復(fù)雜、計(jì)算量大、訓(xùn)練時(shí)間消耗過(guò)長(zhǎng)等問(wèn)題。以上問(wèn)題的存在使得CAD無(wú)法更好的滿足臨床應(yīng)用。

    為了提高癌癥分析的效率和準(zhǔn)確率,本研究通過(guò)深度學(xué)習(xí)技術(shù),構(gòu)建病理圖像癌癥識(shí)別模型。通過(guò)現(xiàn)有的常規(guī)圖片識(shí)別模型進(jìn)行遷移學(xué)習(xí),對(duì)模型進(jìn)行預(yù)訓(xùn)練和微調(diào),從而提升模型對(duì)于醫(yī)學(xué)圖像的特征提取能力,得到具有表征意義的特征圖。通過(guò)對(duì)特征圖的分類(lèi),獲得更好的精度,達(dá)到可應(yīng)用于臨床計(jì)算機(jī)輔助診斷的要求,給醫(yī)生精準(zhǔn)的判斷建議,有效防止醫(yī)生因疏忽而出現(xiàn)誤診、漏診等過(guò)失。

    1 技術(shù)路線

    針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)在病理圖像診斷方面的性能不足、人工提取特征的復(fù)雜性高,以及常規(guī)深度學(xué)習(xí)在網(wǎng)絡(luò)深度較大時(shí)會(huì)出現(xiàn)網(wǎng)絡(luò)退化等缺點(diǎn),本文提出了一種基于ResNet50網(wǎng)絡(luò)的乳腺癌病理圖像自動(dòng)分類(lèi)模型。該模型主要分為源數(shù)據(jù)的預(yù)訓(xùn)練、遷移學(xué)習(xí)、目標(biāo)數(shù)據(jù)的微調(diào)訓(xùn)練、模型性能的檢驗(yàn)等內(nèi)容,模型流程圖如圖1。

    圖1 模型流程圖Figure 1 Flow chart of model

    首先在源數(shù)據(jù)上預(yù)訓(xùn)練得到模型的權(quán)重參數(shù),其次用得到的模型權(quán)重參數(shù)初始化新模型的殘差網(wǎng)絡(luò)層,然后在目標(biāo)數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練得到最終模型,最后在測(cè)試集上檢驗(yàn)?zāi)P偷男阅?。下文將?duì)上述內(nèi)容中的技術(shù)原理進(jìn)行詳細(xì)介紹。

    1.1 ResNet50卷積神經(jīng)網(wǎng)絡(luò)

    深度學(xué)習(xí)中網(wǎng)絡(luò)深度遇到的主要問(wèn)題是梯度消失和梯度爆炸,傳統(tǒng)解決方案是數(shù)據(jù)的初始化(normalized initializatiton)和(batch normlization)正則化[16]。這樣解決了梯度的問(wèn)題,深度加深了,但是帶來(lái)了網(wǎng)絡(luò)性能退化的問(wèn)題[17]。ResNet50是在現(xiàn)有訓(xùn)練深度網(wǎng)絡(luò)的基礎(chǔ)上,提出的一種具有易優(yōu)化、計(jì)算負(fù)擔(dān)小等優(yōu)點(diǎn)的殘差學(xué)習(xí)框架。殘差用來(lái)設(shè)計(jì)解決退化和梯度問(wèn)題,使得網(wǎng)絡(luò)的性能在深度增加的同時(shí)也得以提升。ResNet50中包含了49個(gè)卷積層和1個(gè)全連階層,其中,第二至五階段中的ID BLOCK x2代表的是兩個(gè)不改變維度的殘差塊,CONV BLOCK代表的是添加維度的殘差塊,每個(gè)殘差塊包含三個(gè)卷積層,所以有1+3×(3+4+6+3)=49個(gè)卷積層,結(jié)構(gòu)如圖2。

    圖2 ResNet50結(jié)構(gòu)圖Figure 2 Structure diagram of ResNet50

    圖中的CONV是卷積操作,Batch Norm為批正則化處理,Relu為激活函數(shù),MAXPOOL和AvgPOOL是二種池化操作,第二至五階段代表殘差塊。由于ResNet50神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的尺寸為224×224×3,所以需要在輸入數(shù)據(jù)前對(duì)圖像進(jìn)行預(yù)處理,將尺寸為700×460×3數(shù)據(jù)裁剪為指定尺寸batch_size×224×224×3。圖像經(jīng)過(guò)殘差塊的不斷卷積操作,圖像像素矩陣的通道數(shù)Channel越來(lái)越深,再經(jīng)過(guò)扁平層Flatten,將圖像像素矩陣尺寸變成batch_size×2048,最后輸入全連接層FC中,經(jīng)softmax層輸出對(duì)應(yīng)類(lèi)別概率。

    ResNet50結(jié)構(gòu)中包含跨層連接,它通過(guò)快捷連接shortcut將輸入跨層傳遞,然后與經(jīng)過(guò)卷積后的輸出相加,達(dá)到充分訓(xùn)練底層網(wǎng)絡(luò)的效果,使正確率隨著深度的增加得到顯著提升。ResNet50殘差塊結(jié)構(gòu)如圖3。

    圖3 ResNet50殘差塊結(jié)構(gòu)圖Figure 3 Structure of residual block for ResNet50

    shortcut連接相當(dāng)于直接執(zhí)行了同等映射,不會(huì)增加額外的參數(shù)和計(jì)算復(fù)雜度,模型相當(dāng)于退化為一個(gè)淺層網(wǎng)絡(luò)。此時(shí)要解決的問(wèn)題是學(xué)習(xí)恒等映射函數(shù)H(x)=x,但是很難直接去擬合這樣一個(gè)潛在的函數(shù)。假設(shè)殘差網(wǎng)絡(luò)的輸出為H(x),經(jīng)過(guò)卷積操作后的輸出為F(x),則H(x)=F(x)+x。F(x)=(ω3δ(ω2δ(ω1x))),其中ω是卷積操作,δ代表激活函數(shù)。此時(shí)只要F(x)=0,就構(gòu)成了前述的恒等映射函數(shù)H(x)=x,所以問(wèn)題轉(zhuǎn)換為學(xué)習(xí)一個(gè)容易擬合的殘差函數(shù)F(x)=H(x)-x。實(shí)驗(yàn)表明只有不低于兩層的殘差塊才能起到提升作用,本文中ResNet50中選用的是三層殘差塊。

    1.2 softmax分類(lèi)器

    (1)

    (2)

    其中1(yi=j)為指示性函數(shù),其取值與括號(hào)內(nèi)的真值保持一致,即yi=j成立時(shí)函數(shù)值為1,否則為0。最后通過(guò)adamoptimizer優(yōu)化器最小化誤差函數(shù)。

    1.3 遷移學(xué)習(xí)

    遷移學(xué)習(xí)的基本思想是通過(guò)在一個(gè)現(xiàn)有的大型數(shù)據(jù)集上預(yù)訓(xùn)練一個(gè)CNN,然后使用該預(yù)訓(xùn)練好的CNN的權(quán)重作為初始化權(quán)值,遷移到目標(biāo)數(shù)據(jù)集上進(jìn)行訓(xùn)練和微調(diào)(fine-tuning)[18]。遷移學(xué)習(xí)可行是因?yàn)镃NN的前面幾層學(xué)習(xí)是低級(jí)語(yǔ)義特征(比如邊緣信息,顏色信息等),這樣的特征在不同的分類(lèi)任務(wù)中都是不變的。后幾層學(xué)習(xí)的是數(shù)據(jù)集的特定特征,也稱(chēng)為高層語(yǔ)義特征。

    遷移學(xué)習(xí)和微調(diào)過(guò)程如下。在實(shí)驗(yàn)過(guò)程中,我們?cè)跀?shù)量級(jí)達(dá)到TB級(jí)別的ImageNet上對(duì)模型進(jìn)行預(yù)訓(xùn)練,得到一個(gè)模型。并用該模型參數(shù)代替?zhèn)鹘y(tǒng)隨機(jī)初始化模型參數(shù),對(duì)softmax層之外的所有層進(jìn)行初始化,然后添加針對(duì)處理本課題的softmax層。由于預(yù)訓(xùn)練的源數(shù)據(jù)ImageNet與目的數(shù)據(jù)BreaKHis差異性較大,所以用目的數(shù)據(jù)對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)。同時(shí)為確保在微調(diào)過(guò)程中網(wǎng)路權(quán)重不會(huì)因目的數(shù)據(jù)集的差異較大而扭曲過(guò)快,將學(xué)習(xí)率設(shè)置較小。這樣不僅能有效防止過(guò)擬合,還能加快收斂速度,提高模型精度,有效地解決了深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像分類(lèi)缺乏大規(guī)模標(biāo)記數(shù)據(jù)集的問(wèn)題。

    2 實(shí) 驗(yàn)

    2.1 選用的數(shù)據(jù)集

    目前對(duì)于腫瘤良性惡性的診斷手段中,活檢是唯一可以確切診斷的方法。在活檢技術(shù)中,最常見(jiàn)的是細(xì)針穿刺、核心穿刺活檢、真空輔助和外科(開(kāi)放)活組織檢查(SOB)。該過(guò)程包括收集細(xì)胞或組織樣品,將其固定在玻璃顯微鏡載玻片上,用于隨后的染色和顯微鏡檢查。

    本文中使用的BreaKHis數(shù)據(jù)集是2015年由Spanhol等人和巴西巴拉那的P&D實(shí)驗(yàn)室(Pathological Anatomy and Cytopathology)合作建立的,樣品由SOB方式收集,從乳房組織活檢切片產(chǎn)生樣品,用蘇木精和曙紅(HE)染色。同時(shí)為保持原始組織結(jié)構(gòu)和分子組成在光學(xué)顯微鏡下可觀察,采取標(biāo)準(zhǔn)石蠟法的制備方法,然后使用顯微鏡與三星數(shù)碼彩色相機(jī)耦合從乳房組織載玻片獲得數(shù)字化圖像,并由P&D實(shí)驗(yàn)室的病理學(xué)家標(biāo)記。病理圖像樣例如圖4。

    圖4 腫瘤病理圖像Figure 4 Tumor pathological image

    BreaKHis乳腺癌病理圖像數(shù)據(jù)集共有7 909個(gè)圖像樣本,分別為5 429幅惡性腫瘤圖像,2 480幅良性腫瘤圖像,固定大小為700×460像素,模式為RGB三通道圖像,來(lái)源于82位病人.數(shù)據(jù)集的具體分布如表1。

    表1 數(shù)據(jù)集的具體分布情況

    本實(shí)驗(yàn)中將數(shù)據(jù)集整體混洗打亂后,劃分為訓(xùn)練集(60%)、驗(yàn)證集(20%)和測(cè)試集(20%)三個(gè)部分,并且采取相同的預(yù)處理操作,以保證驗(yàn)證和測(cè)試結(jié)果的準(zhǔn)確性。首先為確保數(shù)據(jù)適合模型的輸入尺寸,用tf.image.resize_image_with_crop_or_pad函數(shù)將圖像裁剪為224×224,然后使用tf.image模塊的per_image_standardization函數(shù)對(duì)圖像像素值進(jìn)行標(biāo)準(zhǔn)化操作,最后將數(shù)據(jù)分成大小為batch_size的批次,方便后續(xù)模型的訓(xùn)練。

    2.2 硬件及軟件平臺(tái)

    實(shí)驗(yàn)中所用的計(jì)算機(jī)硬件配置為:64位Windows10操作系統(tǒng),2.80 GHz Intel i7 CPU,基于Pascal架構(gòu)NVIDIA GeForce GTX1050顯卡。軟件方面:使用pycharm Community 2017.2.1作為開(kāi)發(fā)平臺(tái),選擇Google的深度學(xué)習(xí)開(kāi)源框架TensorFlow作為程序框架,版本為1.30,前端為Keras2.0.8,程序使用Python3.6編寫(xiě)設(shè)計(jì)。

    2.3 實(shí)驗(yàn)結(jié)果及分析

    本實(shí)驗(yàn)中使用正確率ACC和靈敏度Sensitive作為模型的評(píng)價(jià)指標(biāo),假定Nall代表所有的驗(yàn)證圖像數(shù)目,Nr代表正確分類(lèi)的圖像數(shù)目,則ACC的表達(dá)式為

    (3)

    ACC的值越大,代表模型的預(yù)測(cè)和真實(shí)情況越接近,模型的性能越好。

    考慮到對(duì)患者惡性腫瘤漏查后果的嚴(yán)重性,本文將選擇靈敏度Sensitive來(lái)評(píng)價(jià)模型的這一能力.假設(shè)Nmag代表測(cè)試樣本中惡性腫瘤的數(shù)目,Nrp代表被正確預(yù)測(cè)的惡性腫瘤數(shù)目,則Sensitive的表達(dá)式為

    (4)

    Sensitive的值越大,就代表模型的漏查率越低,模型的性能就越好。

    神經(jīng)網(wǎng)絡(luò)中超參數(shù)的取值對(duì)模型的性能有很大的影響.實(shí)驗(yàn)中設(shè)定學(xué)習(xí)率固定為0.000 1,批大小為32,優(yōu)化器選擇adamoptimizer,迭代次數(shù)8 000次,得到模型在驗(yàn)證集上正確率如圖5。

    圖5 模型在驗(yàn)證集上的正確率變化曲線Figure 5 Accuracy rate curve of the model on the verification set

    由圖5可知模型迭代5 000次時(shí)開(kāi)始收斂,迭代到7 000次時(shí)最終穩(wěn)定在98%左右。相對(duì)于應(yīng)用于同一數(shù)據(jù)集的其他深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),本文提出的方法具有更快的收斂速度。將模型在包含1 580個(gè)樣本的測(cè)試集上進(jìn)行測(cè)試后,得到的正確率ACC達(dá)到97.4%。同時(shí)在測(cè)試集中的1 083個(gè)惡性腫瘤樣本中平均有1 061個(gè)樣本被正確識(shí)別出,達(dá)到98%的靈敏度。該實(shí)驗(yàn)結(jié)果達(dá)到了應(yīng)用于實(shí)際的高正確率和對(duì)惡性腫瘤的高靈敏度要求,為計(jì)算機(jī)輔助治療應(yīng)用于實(shí)際醫(yī)療中奠定了基礎(chǔ)。

    為增加實(shí)驗(yàn)對(duì)比性,選擇其他方法處理相同數(shù)據(jù)集與本文的方法進(jìn)行比較,來(lái)檢驗(yàn)?zāi)P托阅堋1?為實(shí)驗(yàn)對(duì)比結(jié)果,其中,PFTAS+QDA/SVM/RF是文獻(xiàn)[6]中采用的方法,Single-Task CNN是文獻(xiàn)[14]中基于放大倍數(shù)獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)算法;AlexNet是Spanhol等人在文獻(xiàn)[13]中采用的網(wǎng)絡(luò)模型;BiCNN是文獻(xiàn)[15]以GoogleNet作為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)的分類(lèi)方法。

    表2 不同算法在BreaKHis數(shù)據(jù)集的表現(xiàn)

    Table 2 Performance of different algorithms in the BreaKHis dataset

    方法模型精度/%PFTAS+QDA/SVM/RF80~85Single_task CNN83AlexNet88BiCNN97本文方法97.4

    由表2對(duì)比結(jié)果可知,相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)本文模型具提取特征簡(jiǎn)單、精度高等優(yōu)點(diǎn)。相對(duì)于其他深度學(xué)習(xí)算法,本文中的模型具有收斂速度快、精度高的優(yōu)點(diǎn)。與精確度同樣達(dá)到97%的BiCNN方法對(duì)比,本文方法迭代8 000次,遠(yuǎn)遠(yuǎn)小于BiCNN迭代55 000次的計(jì)算消耗和時(shí)間消耗。在實(shí)驗(yàn)過(guò)程中,模型的數(shù)據(jù)沒(méi)進(jìn)行數(shù)據(jù)增強(qiáng)擴(kuò)充,在較少數(shù)據(jù)集同樣達(dá)到很高的性能,表明本文方法在乳腺癌病理圖像的分類(lèi)識(shí)別過(guò)程中提取到的特征,更具有區(qū)分性,因而識(shí)別率更高,且具有較好的泛化性。

    3 結(jié) 論

    本文結(jié)合病理圖像診斷目前發(fā)展的最新技術(shù),提出基于ResNet50的深度學(xué)習(xí)網(wǎng)絡(luò)模型,實(shí)現(xiàn)對(duì)病理圖像的高精度識(shí)別分類(lèi)。模型中的殘差塊有效克服了網(wǎng)絡(luò)退化等問(wèn)題,在網(wǎng)絡(luò)深度加深的同時(shí),保證了性能不會(huì)下降。針對(duì)公開(kāi)標(biāo)記的醫(yī)學(xué)圖像數(shù)據(jù)集較少的難題,本文使用遷移學(xué)習(xí)的手段,避免了過(guò)擬合問(wèn)題的出現(xiàn)。本模型具有深度更大、收斂更快、精度更高、易泛化等優(yōu)點(diǎn),為計(jì)算機(jī)輔助診斷應(yīng)用于實(shí)際臨床診斷中做了可行性論證,為早期發(fā)現(xiàn)與早期治療乳腺癌提供了有效指導(dǎo)。

    猜你喜歡
    殘差卷積病理
    基于雙向GRU與殘差擬合的車(chē)輛跟馳建模
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    病理診斷是精準(zhǔn)診斷和治療的“定海神針”
    開(kāi)展臨床病理“一對(duì)一”教學(xué)培養(yǎng)獨(dú)立行醫(yī)的病理醫(yī)生
    基于殘差學(xué)習(xí)的自適應(yīng)無(wú)人機(jī)目標(biāo)跟蹤算法
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    不一致性淋巴瘤1例及病理分析
    平穩(wěn)自相關(guān)過(guò)程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    91久久精品国产一区二区三区| 国产精品久久久久久精品古装| 国产日韩欧美在线精品| 岛国毛片在线播放| 日韩中字成人| 免费观看性生交大片5| 久久久久国产精品人妻一区二区| 久久狼人影院| 天天躁夜夜躁狠狠久久av| 亚洲av男天堂| 能在线免费看毛片的网站| 亚洲精品国产av蜜桃| 秋霞伦理黄片| 欧美激情极品国产一区二区三区 | 亚洲国产精品专区欧美| 亚洲国产av新网站| 18禁裸乳无遮挡动漫免费视频| 夫妻午夜视频| 视频中文字幕在线观看| 精品卡一卡二卡四卡免费| 在线 av 中文字幕| 99热这里只有是精品在线观看| 特大巨黑吊av在线直播| 中文在线观看免费www的网站| 欧美97在线视频| 国产一区二区三区综合在线观看 | 夜夜爽夜夜爽视频| 亚洲美女搞黄在线观看| 校园人妻丝袜中文字幕| 亚洲色图综合在线观看| 男人和女人高潮做爰伦理| 嘟嘟电影网在线观看| 久久久久久久国产电影| 精品一区二区三卡| 一个人看视频在线观看www免费| 亚洲,欧美,日韩| 亚洲中文av在线| 免费观看av网站的网址| 亚洲av欧美aⅴ国产| 亚洲一区二区三区欧美精品| 日韩精品有码人妻一区| 大码成人一级视频| 一级二级三级毛片免费看| 亚洲婷婷狠狠爱综合网| av女优亚洲男人天堂| 妹子高潮喷水视频| 又爽又黄a免费视频| 欧美高清成人免费视频www| 色94色欧美一区二区| 欧美 亚洲 国产 日韩一| 男人爽女人下面视频在线观看| 国产中年淑女户外野战色| 中文字幕亚洲精品专区| 国产在线一区二区三区精| 国产精品不卡视频一区二区| 五月开心婷婷网| 夜夜看夜夜爽夜夜摸| 观看av在线不卡| 一级a做视频免费观看| 亚洲精品久久午夜乱码| av国产久精品久网站免费入址| 国产亚洲精品久久久com| 人妻少妇偷人精品九色| 中文字幕久久专区| 我的老师免费观看完整版| av又黄又爽大尺度在线免费看| 一级毛片我不卡| 欧美成人精品欧美一级黄| 十八禁网站网址无遮挡 | 免费黄色在线免费观看| 久久精品国产亚洲av涩爱| 日日啪夜夜撸| 国精品久久久久久国模美| 香蕉精品网在线| 99国产精品免费福利视频| 国产午夜精品久久久久久一区二区三区| 亚洲av电影在线观看一区二区三区| 国产中年淑女户外野战色| 国产精品不卡视频一区二区| 3wmmmm亚洲av在线观看| 免费观看的影片在线观看| 国产一区有黄有色的免费视频| 肉色欧美久久久久久久蜜桃| 日韩强制内射视频| 一级av片app| 亚洲国产精品999| 亚洲精品日韩在线中文字幕| 观看美女的网站| 亚洲精品456在线播放app| 国产成人freesex在线| 69精品国产乱码久久久| 免费观看无遮挡的男女| 熟妇人妻不卡中文字幕| 亚洲经典国产精华液单| av又黄又爽大尺度在线免费看| 亚洲国产精品成人久久小说| 欧美人与善性xxx| 22中文网久久字幕| 草草在线视频免费看| 亚洲欧美日韩卡通动漫| 特大巨黑吊av在线直播| 成人亚洲欧美一区二区av| 我的女老师完整版在线观看| 99热6这里只有精品| 内射极品少妇av片p| 日韩中字成人| 国产在视频线精品| 乱码一卡2卡4卡精品| 你懂的网址亚洲精品在线观看| 久久久久视频综合| 国产中年淑女户外野战色| 久久久久久久久久成人| 91aial.com中文字幕在线观看| 亚洲精品久久午夜乱码| 伊人久久国产一区二区| 欧美精品一区二区大全| 丰满迷人的少妇在线观看| 一级av片app| 黄色日韩在线| 久久久久视频综合| 国产成人aa在线观看| kizo精华| 美女主播在线视频| 一本大道久久a久久精品| 亚洲三级黄色毛片| 免费高清在线观看视频在线观看| av卡一久久| 精品亚洲成a人片在线观看| 亚洲欧美精品自产自拍| 成人影院久久| 狠狠精品人妻久久久久久综合| 老司机影院毛片| 爱豆传媒免费全集在线观看| 一级黄片播放器| 伦精品一区二区三区| 国产欧美日韩综合在线一区二区 | 国产精品99久久久久久久久| 桃花免费在线播放| 老司机亚洲免费影院| 午夜视频国产福利| 99热国产这里只有精品6| 久久午夜福利片| 在线观看一区二区三区激情| 欧美日韩在线观看h| 日日摸夜夜添夜夜爱| av黄色大香蕉| 亚洲精品自拍成人| 久久韩国三级中文字幕| 少妇被粗大的猛进出69影院 | 伊人久久精品亚洲午夜| 日本vs欧美在线观看视频 | 亚洲美女黄色视频免费看| 国精品久久久久久国模美| 久久久国产欧美日韩av| 在线观看免费日韩欧美大片 | 亚洲图色成人| 亚洲精品亚洲一区二区| av卡一久久| 国产淫语在线视频| 搡女人真爽免费视频火全软件| 99久久精品国产国产毛片| 18+在线观看网站| 久久久久精品久久久久真实原创| 在线 av 中文字幕| 岛国毛片在线播放| 黑人猛操日本美女一级片| 美女视频免费永久观看网站| 国产免费福利视频在线观看| 视频中文字幕在线观看| 免费人成在线观看视频色| 自拍偷自拍亚洲精品老妇| 久久国产亚洲av麻豆专区| 亚洲精品一区蜜桃| 夫妻性生交免费视频一级片| 久久精品久久久久久噜噜老黄| 欧美日韩视频高清一区二区三区二| 男人爽女人下面视频在线观看| 精品亚洲成a人片在线观看| 三级经典国产精品| 日本午夜av视频| 校园人妻丝袜中文字幕| 日本黄色片子视频| 亚洲精品一二三| 91午夜精品亚洲一区二区三区| 五月玫瑰六月丁香| 免费观看的影片在线观看| 乱码一卡2卡4卡精品| 国产男女超爽视频在线观看| 久久精品久久久久久噜噜老黄| 国产av国产精品国产| av在线app专区| 日韩人妻高清精品专区| 精品卡一卡二卡四卡免费| 亚洲第一av免费看| 午夜福利在线观看免费完整高清在| av黄色大香蕉| 麻豆成人av视频| 国产黄色免费在线视频| 久久久久久久大尺度免费视频| 91在线精品国自产拍蜜月| 亚洲欧美日韩另类电影网站| 国产亚洲av片在线观看秒播厂| 三级经典国产精品| 国内揄拍国产精品人妻在线| 亚洲精品久久午夜乱码| 成人二区视频| 精品少妇黑人巨大在线播放| 国产午夜精品久久久久久一区二区三区| 青春草亚洲视频在线观看| 在线免费观看不下载黄p国产| 国产又色又爽无遮挡免| 亚洲一区二区三区欧美精品| 国产高清国产精品国产三级| a级毛色黄片| 人妻一区二区av| 最新中文字幕久久久久| 麻豆精品久久久久久蜜桃| 欧美最新免费一区二区三区| 久久人人爽av亚洲精品天堂| 久久狼人影院| 中国三级夫妇交换| 成年av动漫网址| 成人毛片a级毛片在线播放| 久久99热这里只频精品6学生| 成人美女网站在线观看视频| 日韩精品有码人妻一区| 国产精品久久久久久精品古装| 制服丝袜香蕉在线| 18禁在线无遮挡免费观看视频| 国产又色又爽无遮挡免| 高清av免费在线| 亚洲av不卡在线观看| 国内少妇人妻偷人精品xxx网站| 一二三四中文在线观看免费高清| 国产精品人妻久久久久久| 我的女老师完整版在线观看| 中文字幕亚洲精品专区| 国产精品成人在线| 乱系列少妇在线播放| 亚洲成色77777| 丁香六月天网| 欧美精品一区二区免费开放| 最近的中文字幕免费完整| 国产av精品麻豆| 欧美日韩视频高清一区二区三区二| 久久国产精品男人的天堂亚洲 | 精品少妇黑人巨大在线播放| 国产精品一区二区在线不卡| 国产色爽女视频免费观看| 国产黄频视频在线观看| 九色成人免费人妻av| 久久99蜜桃精品久久| 免费大片18禁| 国产乱来视频区| 内射极品少妇av片p| av福利片在线| 精品少妇内射三级| 乱码一卡2卡4卡精品| 大话2 男鬼变身卡| 黑人猛操日本美女一级片| 天堂俺去俺来也www色官网| 国产一区二区三区综合在线观看 | 日本91视频免费播放| 天堂中文最新版在线下载| 男女边吃奶边做爰视频| 韩国高清视频一区二区三区| 亚洲激情五月婷婷啪啪| 国产老妇伦熟女老妇高清| 国产成人精品福利久久| 久久精品久久精品一区二区三区| 亚洲人成网站在线观看播放| 2018国产大陆天天弄谢| 国产高清三级在线| 极品人妻少妇av视频| 亚洲av综合色区一区| 精品人妻偷拍中文字幕| 国产精品嫩草影院av在线观看| 大香蕉久久网| 日本av手机在线免费观看| 99久久精品一区二区三区| 国产成人91sexporn| 婷婷色av中文字幕| 国产精品偷伦视频观看了| 久久久久精品性色| 久久99一区二区三区| 久久午夜福利片| 日韩,欧美,国产一区二区三区| 97在线视频观看| 亚洲国产毛片av蜜桃av| 国产精品国产三级国产av玫瑰| 欧美 日韩 精品 国产| 一级,二级,三级黄色视频| 热99国产精品久久久久久7| 日韩熟女老妇一区二区性免费视频| 丰满迷人的少妇在线观看| 秋霞伦理黄片| √禁漫天堂资源中文www| 亚洲av成人精品一区久久| 亚洲天堂av无毛| 丰满少妇做爰视频| 日韩精品免费视频一区二区三区 | 夜夜骑夜夜射夜夜干| 久热这里只有精品99| 亚洲欧美精品专区久久| 一区二区三区免费毛片| 欧美精品高潮呻吟av久久| 亚洲精品亚洲一区二区| 国产av国产精品国产| tube8黄色片| 亚洲激情五月婷婷啪啪| 啦啦啦中文免费视频观看日本| 国产亚洲av片在线观看秒播厂| 91午夜精品亚洲一区二区三区| 最近中文字幕高清免费大全6| 亚洲精品一区蜜桃| 如日韩欧美国产精品一区二区三区 | 五月玫瑰六月丁香| 国产成人精品一,二区| 日日撸夜夜添| 久久久a久久爽久久v久久| 国产一区二区在线观看av| 美女视频免费永久观看网站| 69精品国产乱码久久久| 中文字幕亚洲精品专区| 午夜av观看不卡| 久久人人爽人人片av| 伊人亚洲综合成人网| 春色校园在线视频观看| 高清午夜精品一区二区三区| 亚洲情色 制服丝袜| 人妻少妇偷人精品九色| 日日摸夜夜添夜夜爱| 亚洲不卡免费看| 色94色欧美一区二区| 欧美精品国产亚洲| 麻豆乱淫一区二区| 久久久国产精品麻豆| 午夜激情久久久久久久| 免费黄色在线免费观看| 久久鲁丝午夜福利片| 日韩大片免费观看网站| 香蕉精品网在线| 欧美日韩综合久久久久久| 校园人妻丝袜中文字幕| 欧美一级a爱片免费观看看| 亚洲欧美精品专区久久| 一本大道久久a久久精品| a级一级毛片免费在线观看| 欧美bdsm另类| 亚洲欧美中文字幕日韩二区| 久久久欧美国产精品| 蜜臀久久99精品久久宅男| 中文字幕精品免费在线观看视频 | 欧美少妇被猛烈插入视频| 高清毛片免费看| 国产精品成人在线| 欧美 亚洲 国产 日韩一| 在线播放无遮挡| 亚洲av成人精品一二三区| 99热6这里只有精品| 女性生殖器流出的白浆| 2018国产大陆天天弄谢| 性色av一级| 日本免费在线观看一区| 人人澡人人妻人| 精品人妻一区二区三区麻豆| 国内少妇人妻偷人精品xxx网站| 国产成人a∨麻豆精品| 日韩精品免费视频一区二区三区 | 欧美成人精品欧美一级黄| 成人毛片60女人毛片免费| 亚洲精品久久午夜乱码| 国产免费又黄又爽又色| 五月伊人婷婷丁香| 乱系列少妇在线播放| 看十八女毛片水多多多| 男女国产视频网站| 又爽又黄a免费视频| 国产永久视频网站| 成人漫画全彩无遮挡| 日日啪夜夜爽| 久久久午夜欧美精品| av天堂久久9| 中文字幕亚洲精品专区| 久久久亚洲精品成人影院| 午夜91福利影院| 中文字幕亚洲精品专区| 汤姆久久久久久久影院中文字幕| 亚洲伊人久久精品综合| 男男h啪啪无遮挡| 久久久久久久国产电影| 国产成人精品无人区| 丰满人妻一区二区三区视频av| 亚洲精品成人av观看孕妇| 精品一区二区三卡| 欧美精品一区二区免费开放| 久久午夜福利片| 亚洲,欧美,日韩| 国产成人精品婷婷| 精品久久久久久久久av| 极品教师在线视频| 日韩人妻高清精品专区| 最后的刺客免费高清国语| 欧美+日韩+精品| 大片电影免费在线观看免费| 极品教师在线视频| 亚洲精品日韩在线中文字幕| 国产亚洲精品久久久com| 欧美激情极品国产一区二区三区 | 成人亚洲欧美一区二区av| 欧美日韩视频高清一区二区三区二| 人人妻人人看人人澡| 各种免费的搞黄视频| 中文字幕制服av| 少妇丰满av| 老熟女久久久| 日韩大片免费观看网站| 99久久精品一区二区三区| 搡老乐熟女国产| 尾随美女入室| 男男h啪啪无遮挡| 一级毛片黄色毛片免费观看视频| 欧美日韩av久久| 婷婷色麻豆天堂久久| 超碰97精品在线观看| 一区在线观看完整版| 自线自在国产av| 少妇人妻久久综合中文| 精品久久久噜噜| 男女边吃奶边做爰视频| 99国产精品免费福利视频| 91精品伊人久久大香线蕉| 老司机影院毛片| 99久国产av精品国产电影| 国产女主播在线喷水免费视频网站| 少妇人妻精品综合一区二区| 日本av免费视频播放| 蜜桃久久精品国产亚洲av| 一本—道久久a久久精品蜜桃钙片| 免费少妇av软件| a级毛片免费高清观看在线播放| 熟女av电影| 久久精品久久精品一区二区三区| 99视频精品全部免费 在线| 中文乱码字字幕精品一区二区三区| 午夜日本视频在线| 亚洲精品国产av蜜桃| 一级毛片 在线播放| 一级毛片aaaaaa免费看小| 伦理电影免费视频| 国产在线视频一区二区| 日韩免费高清中文字幕av| 久久久久久久久久久久大奶| 亚洲精品中文字幕在线视频 | 99热这里只有是精品在线观看| av福利片在线| 国产成人精品一,二区| 激情五月婷婷亚洲| 成年人免费黄色播放视频 | 特大巨黑吊av在线直播| 中文天堂在线官网| 国产精品一区二区在线不卡| 色视频在线一区二区三区| 精品视频人人做人人爽| 亚洲怡红院男人天堂| 欧美成人精品欧美一级黄| 男人舔奶头视频| 欧美日韩av久久| 久久99一区二区三区| av不卡在线播放| 黑丝袜美女国产一区| 美女xxoo啪啪120秒动态图| 男人添女人高潮全过程视频| 99久久中文字幕三级久久日本| 九九爱精品视频在线观看| 亚洲精品日韩av片在线观看| 建设人人有责人人尽责人人享有的| 美女大奶头黄色视频| 精品一区二区三区视频在线| 亚洲欧美一区二区三区黑人 | 简卡轻食公司| 国产成人精品无人区| 国内精品宾馆在线| 中文字幕人妻丝袜制服| 高清欧美精品videossex| 男女边摸边吃奶| 中文字幕制服av| 五月玫瑰六月丁香| 久久久久久久久久成人| 一本大道久久a久久精品| freevideosex欧美| av线在线观看网站| 一级毛片电影观看| 亚洲经典国产精华液单| 国产成人aa在线观看| 欧美日韩精品成人综合77777| 国产高清三级在线| 久久国内精品自在自线图片| 亚洲精品,欧美精品| 日日啪夜夜爽| 狂野欧美激情性xxxx在线观看| 久久鲁丝午夜福利片| 国产精品熟女久久久久浪| 黄片无遮挡物在线观看| 国产高清三级在线| 一级毛片久久久久久久久女| 老司机影院毛片| 少妇 在线观看| 搡女人真爽免费视频火全软件| 一级毛片aaaaaa免费看小| av在线播放精品| 肉色欧美久久久久久久蜜桃| 热re99久久精品国产66热6| 日日撸夜夜添| 中国美白少妇内射xxxbb| av国产久精品久网站免费入址| 久久久亚洲精品成人影院| 亚洲人成网站在线播| 有码 亚洲区| av有码第一页| 亚洲欧美一区二区三区国产| 亚洲av成人精品一二三区| 午夜免费观看性视频| av国产精品久久久久影院| 久久人妻熟女aⅴ| 另类精品久久| 黑人高潮一二区| 亚洲国产精品999| 精品久久久精品久久久| 蜜臀久久99精品久久宅男| av在线app专区| 中国国产av一级| 九九在线视频观看精品| 欧美丝袜亚洲另类| 亚洲精品乱久久久久久| 亚洲在久久综合| 老司机影院成人| 精品久久久久久久久亚洲| 久久国产精品男人的天堂亚洲 | 搡老乐熟女国产| 欧美区成人在线视频| 狂野欧美激情性bbbbbb| 成人国产麻豆网| 国产欧美日韩精品一区二区| 中文字幕av电影在线播放| 两个人的视频大全免费| 国产爽快片一区二区三区| 欧美国产精品一级二级三级 | 国产成人aa在线观看| 成人国产麻豆网| 国产精品国产av在线观看| av国产久精品久网站免费入址| 婷婷色麻豆天堂久久| videos熟女内射| 人人澡人人妻人| 男女免费视频国产| 国产91av在线免费观看| 国产精品三级大全| 久久久国产精品麻豆| 狂野欧美激情性bbbbbb| 七月丁香在线播放| 99国产精品免费福利视频| 中文乱码字字幕精品一区二区三区| 国产欧美日韩综合在线一区二区 | 国产亚洲91精品色在线| 国产成人精品福利久久| 亚洲欧美日韩另类电影网站| 女人精品久久久久毛片| 人人妻人人爽人人添夜夜欢视频 | 精品国产一区二区三区久久久樱花| 国产亚洲一区二区精品| 国产亚洲91精品色在线| 国产白丝娇喘喷水9色精品| 51国产日韩欧美| 国产一区二区在线观看av| 日韩在线高清观看一区二区三区| 高清欧美精品videossex| 婷婷色综合大香蕉| 少妇被粗大的猛进出69影院 | 一级毛片 在线播放| 蜜桃在线观看..| 一区二区三区乱码不卡18| 欧美精品一区二区免费开放| 日韩电影二区| 久久午夜福利片| 国产精品无大码| 日韩视频在线欧美| 大片免费播放器 马上看| 国产黄频视频在线观看| 久久狼人影院| 亚洲高清免费不卡视频| 亚洲精品亚洲一区二区| 国产高清三级在线| 久久 成人 亚洲| 91午夜精品亚洲一区二区三区| 久久久国产欧美日韩av| 伦理电影免费视频| 黄色一级大片看看| 最后的刺客免费高清国语| 边亲边吃奶的免费视频| 最近的中文字幕免费完整| 亚洲精品日韩av片在线观看| 国产日韩欧美亚洲二区| 免费久久久久久久精品成人欧美视频 | 久久ye,这里只有精品| 成年美女黄网站色视频大全免费 | 国产高清不卡午夜福利| 一级av片app| av一本久久久久| 性高湖久久久久久久久免费观看| 三级国产精品片| 又粗又硬又长又爽又黄的视频| 国产成人精品福利久久| 韩国av在线不卡| 亚洲精品色激情综合|