• <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 ?

    融合圖像和指標(biāo)的阿爾茨海默病多分類(lèi)診斷模型

    2019-09-12 10:41鉏家歡潘喬
    關(guān)鍵詞:生物標(biāo)志物阿爾茨海默病卷積神經(jīng)網(wǎng)絡(luò)

    鉏家歡 潘喬

    摘 要: 隨著人工智能的發(fā)展,計(jì)算機(jī)輔助診斷在阿爾茨海默病診斷中扮演著越來(lái)越重要的角色。本文提出了一種融合圖像和指標(biāo)的新型多分類(lèi)診斷模型,充分挖掘TOP-MRI圖像和臨床指標(biāo)特征用于阿爾茨海默病的多分類(lèi)診斷。首先,構(gòu)建由3個(gè)VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)和1個(gè)單隱層網(wǎng)絡(luò)組成的TOP-CNN-NN模型提取大腦TOP-MRI圖像特征向量,利用CfsSubsetEval評(píng)估器來(lái)篩選臨床指標(biāo)組成指標(biāo)特征向量;然后,采用典型相關(guān)分析(CCA)方法將圖像特征向量和指標(biāo)特征向量進(jìn)行線性融合;最后,將融合特征向量輸入多分類(lèi)分類(lèi)器來(lái)區(qū)分阿爾茨海默病的3個(gè)階段,包括正常(CN)、輕度認(rèn)知障礙(MCI)和阿爾茨海默?。ˋD)。通過(guò)ADNI公開(kāi)數(shù)據(jù)集證明,本文提出方法在阿爾茨海默病多分類(lèi)診斷上的正確率可達(dá)到86.7%,有較好的性能表現(xiàn)。

    關(guān)鍵詞: 阿爾茨海默病;卷積神經(jīng)網(wǎng)絡(luò);典型相關(guān)分析;核磁共振圖像;生物標(biāo)志物

    文章編號(hào):2095-2163(2019)04-0006-07?中圖分類(lèi)號(hào):TP391?文獻(xiàn)標(biāo)志碼:A

    0 引 言

    阿爾茨海默?。ˋlzheimers disease, AD),又稱(chēng)老年性癡呆。是一種神經(jīng)系統(tǒng)退行性疾病,其特點(diǎn)是認(rèn)知能力下降,不可逆轉(zhuǎn)的影響全部認(rèn)知功能,最后導(dǎo)致日?;顒?dòng)嚴(yán)重受損和過(guò)早死亡[1]。目前,全球約有5.0×107例AD患者。僅2018年一年,預(yù)計(jì)有1.0×107例AD患者,每3秒將新增一名患者。約8%的65歲及以上老年人,35%的85歲及以上老年人受困于AD。臨床上主要將AD分為3個(gè)階段:正常(CN)、輕度認(rèn)知障礙(MCI)和阿爾茨海默?。ˋD)。MCI是AD的前期表現(xiàn),是從CN到AD的過(guò)渡狀態(tài)。醫(yī)學(xué)上目前尚未發(fā)現(xiàn)AD的發(fā)病成因,也沒(méi)有找到準(zhǔn)確診斷的有效方法。

    隨著人工智能的發(fā)展,計(jì)算機(jī)輔助診斷在AD診斷中扮演著越來(lái)越重要的角色。在計(jì)算機(jī)輔助診斷相關(guān)研究中,磁共振成像(MRI)由于其出色的空間分辨率、高可及性和良好的對(duì)比度而常常被作為AD診斷的重要依據(jù)。常用的方法包括基于3D醫(yī)學(xué)影像特征的提取和分類(lèi),使用感興趣區(qū)域(ROI)來(lái)對(duì)AD進(jìn)行診斷,利用圖像分割并測(cè)量海馬、內(nèi)側(cè)顳葉形態(tài)的AD分類(lèi)診斷等[2-5]。另外還有使用少量圖像的紋理特征,或者使用多元數(shù)據(jù)融合的方法[6-7]。

    但這些方法仍舊存在許多問(wèn)題,3D醫(yī)學(xué)影像由于其高維性、噪聲、稀疏性往往難以表示和建模,而使用感興趣區(qū)域和圖像分割需要一定的先驗(yàn)知識(shí),這也是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。另外,對(duì)于AD的診斷,不僅要參考神經(jīng)影像學(xué),也要參考其它的臨床檢查。例如人口統(tǒng)計(jì)學(xué)信息,包括性別和年齡;神經(jīng)心理學(xué)評(píng)估,包括簡(jiǎn)易智力狀態(tài)檢查量表(MMSE)、臨床癡呆評(píng)估量表(CDR)、萊氏聽(tīng)覺(jué)言語(yǔ)學(xué)習(xí)測(cè)試(RAVLT)和功能活動(dòng)問(wèn)卷(FAQ);生物學(xué)檢測(cè),包括β淀粉樣蛋白、Tau蛋白、載脂蛋白E在內(nèi)的多個(gè)生物標(biāo)志物。

    本文提出的融合TOP-MRI圖像和臨床指標(biāo)的新型多分類(lèi)診斷模型,可以充分挖掘TOP-MRI圖像和臨床指標(biāo)的特征用于AD的多分類(lèi)診斷。在本文提出的多分類(lèi)診斷模型中,通過(guò)TOP-CNN-NN模型對(duì)三正交平面MRI圖像特征進(jìn)行提取,雖然提取的特征向量可解釋性差,但是在提取過(guò)程中無(wú)需人工標(biāo)注,減輕了需要先驗(yàn)知帶來(lái)的挑戰(zhàn)。另外,使用3張MRI圖像建模可以有效避免圖像高維性帶來(lái)的過(guò)擬合問(wèn)題,同時(shí)在一定程度上降低了提取的圖像特征向量的維度,有利于與較低維度的指標(biāo)特征向量進(jìn)行融合。最后,通過(guò)典型相關(guān)分析來(lái)融合圖像特征向量和由人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估、生物學(xué)檢測(cè)組成的指標(biāo)特征向量,進(jìn)一步提高了多分類(lèi)的有效性。本文的主要貢獻(xiàn)如下:

    (1)提出了一種基于典型相關(guān)分析的多元數(shù)據(jù)線性融合方法,融合了TOP-MRI圖像和多種臨床指標(biāo),在阿爾茨海默病多分類(lèi)診斷上有較好的表現(xiàn)。

    (2)建立了一種基于VGGNet-16和單隱層網(wǎng)絡(luò)的TOP-CNN-NN模型,用于對(duì)大腦三正交平面MRI圖像特征向量的提取。

    1 具體方法

    本文提出了融合TOP-MRI圖像和臨床指標(biāo)的新型多分類(lèi)診斷模型,模型總體框架如圖1所示。

    框架主要包括4個(gè)部分:特征向量提取模塊、指標(biāo)特征選擇模塊、特征向量融合模塊和疾病分類(lèi)診斷模塊。在圖像特征提取模塊中,首先從大腦三正交平面(Three Orthogonal Planes, TOP)中選取3張不同平面的MRI圖像,對(duì)圖像進(jìn)行變換幾何形狀、濾波降噪和數(shù)值標(biāo)準(zhǔn)化預(yù)處理,然后將預(yù)處理后的圖像輸入TOP-CNN-NN模型提取圖像特征向量。在指標(biāo)特征選擇模塊中,通過(guò)CfsSubsetEval評(píng)估器來(lái)選擇臨床指標(biāo),組合形成指標(biāo)特征向量。在向量線性融合模塊中,通過(guò)典型相關(guān)分析(Canonical Correlation Analysis, CCA)方法將圖像特征向量和指標(biāo)特征向量進(jìn)行線性融合。在疾病分類(lèi)診斷模塊中,將融合特征向量輸入多分類(lèi)分類(lèi)器來(lái)區(qū)分阿爾茨海默病的3個(gè)階段,包括正常(CN)、輕度認(rèn)知障礙(MCI)、阿爾茨海默?。ˋD)。

    1.1 圖像特征提取

    文本構(gòu)建的TOP-CNN-NN圖像特征提取模型,充分發(fā)揮VGGNet-16卷機(jī)神經(jīng)網(wǎng)絡(luò)和單隱層網(wǎng)絡(luò)各自的優(yōu)勢(shì)和特點(diǎn)。首先對(duì)TOP-MRI圖像進(jìn)行預(yù)處理,然后利用VGGNet-16卷機(jī)神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的圖像進(jìn)行初步特征向量提取,最后將3個(gè)初步特征向量經(jīng)過(guò)投票加權(quán)后輸入單隱藏層網(wǎng)絡(luò)生成融合特征向量,模型框架如圖2所示。

    1.1.1 TOP-MRI圖像預(yù)處理

    本文選用三正交平面MRI圖像作為圖像特征提取模型輸入。三正交平面(TOP)是以大腦的空間幾何中心為中心,在3個(gè)方向上的切面,較為清晰地包含了用于AD診斷的重要信息,例如海馬體、內(nèi)嗅皮質(zhì)、杏仁核等形態(tài)信息,TOP示意圖如圖3所示。

    特征提取之前需要對(duì)圖像進(jìn)行預(yù)處理,有助于更好地提取特征并提升最終的分類(lèi)效果。由于MRI圖像受檢測(cè)設(shè)備和檢查手法的影響,導(dǎo)致圖像出現(xiàn)不規(guī)整、噪聲高、明暗不一等問(wèn)題。針對(duì)此類(lèi)問(wèn)題,本文利用3個(gè)步驟來(lái)對(duì)圖像進(jìn)行預(yù)處理:

    (1)變換幾何形狀。

    (2)圖像濾波降噪。

    (3)像素值標(biāo)準(zhǔn)化。

    1.1.2 基于VGGNet-16的初步特征提取

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),已被廣泛用于圖像相關(guān)的領(lǐng)域[8]。在本文提出的模型中,使用VGGNet-16分別對(duì)大腦的3個(gè)正交平面:軸位(Axials)、弧狀位(Sagittal)、冠狀位(Coronal)平面圖像來(lái)訓(xùn)練YX-CNN、XZ-CNN、YZ-CNN模型,3個(gè)CNN模型用于提取各自平面的初步特征向量。

    VGGNet卷積神經(jīng)網(wǎng)絡(luò)是由牛津大學(xué)計(jì)算機(jī)視覺(jué)組合和Google DeepMind公司研究員一起研發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)[9]。其探索了卷積神經(jīng)網(wǎng)絡(luò)的深度和其性能之間的關(guān)系,通過(guò)反復(fù)的堆疊3*3的小型卷積核和2*2的最大池化層,成功地構(gòu)建了16~19層深的卷積神經(jīng)網(wǎng)絡(luò),本文選用的是VGGNet-16。

    用MRIi表示 CNN第k層的特征圖,假設(shè)MRIi是卷積層,MRIi的產(chǎn)生過(guò)程可以描述為:

    其中: Wi表示第i層卷積核的權(quán)值向量, 運(yùn)算符號(hào)“×”代表卷積核與第i-1層圖像進(jìn)行卷積操作,卷積的輸出與第i層的偏移向量bi相加,最終通過(guò)非線性的激勵(lì)函數(shù)f(x) 得到第i層的特征圖MRIi。VGGNet-16模型采用13層卷積層,低層卷積層提取一些低級(jí)的特征如緣、線條,高層卷積層將從低級(jí)特征中迭代提取更加復(fù)雜的特征。在每一組卷積層之后,添加了一個(gè)Max pooling池化層來(lái)獲得更加完整和重要的特征。假設(shè)MRIi是Max pooling層:

    Max pooling對(duì)filter抽取到的若干圖像特征值,只保留最大的那個(gè)pooling層特征,可以減少模型參數(shù)數(shù)量,避免過(guò)擬合問(wèn)題。最后,VGGNet-16使用3全連接層將提取到的特征綜合起來(lái)。全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元進(jìn)行全連接。全連接層可以整合卷積層或者池化層中具有類(lèi)別區(qū)分性的局部信息。初步特征向量即為VGGNet-16中最后一層全連接層的輸出。

    1.1.3 基于單隱層網(wǎng)絡(luò)的融合特征提取

    CNN用于提取三正交平面中軸位(XY)、弧狀位(XZ)、冠狀位(YZ)3個(gè)平面圖像的初步特征向量,3個(gè)初步特征向量均輸出自CNN的最后一個(gè)全連接層,即XY-FC-1000、XZ-FC-1000和YZ-FC-1000。由于每個(gè)軸位圖像存在各自的特點(diǎn),在CNN特征提取過(guò)程中所關(guān)注的點(diǎn)和表達(dá)的特征也存在差異,不利于直接進(jìn)行融合。本文采用投票加權(quán)的方法,可以突出各自特征并降低特征差異帶來(lái)的向量融合問(wèn)題,投票加權(quán)流程如圖4所示。

    首先,通過(guò)綜合XY-CNN、XZ-CNN和YZ-CNN的分類(lèi)結(jié)果,若存在相同的分類(lèi)結(jié)果,則將此結(jié)果作為投票結(jié)果;如果三者的分類(lèi)結(jié)果均不同,則將分類(lèi)正確率較高的結(jié)果作為投票結(jié)果。每一種投票結(jié)果對(duì)應(yīng)一種權(quán)重向量。將此權(quán)重向量與XY-FC-1000、XZ-FC-1000和YZ-FC-1000串行拼接的向量相乘, 最后,將投票加權(quán)特征向量輸入到單隱層神經(jīng)網(wǎng)絡(luò)中。單隱層神經(jīng)網(wǎng)絡(luò)的作用是融合3個(gè)正交平面的特征向量,輸出維度更低的融合特征向量,有利于下一步與臨床指標(biāo)特征進(jìn)行線性融合,同時(shí)又可避免過(guò)擬合問(wèn)題。TOP-CNN-NN模型輸出的圖像特征向量即是單隱層網(wǎng)絡(luò)的隱藏層輸出。

    1.2 指標(biāo)特征選擇

    ADNI公開(kāi)數(shù)據(jù)集中包含每個(gè)受試者的臨床信息,包括人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估、生物學(xué)檢測(cè)、神經(jīng)病理學(xué)、基因檢測(cè)等。本文通過(guò)CfsSubsetEval評(píng)估器和查閱醫(yī)學(xué)相關(guān)論文,選擇了其中11個(gè)指標(biāo)作為臨床特征。其中包括2個(gè)人口統(tǒng)計(jì)學(xué)指標(biāo),4個(gè)神經(jīng)心理學(xué)指標(biāo),5個(gè)生物學(xué)檢測(cè)指標(biāo)。具體如下:

    (1)簡(jiǎn)易智力狀態(tài)檢查量表(MMSE)。MMSE是目前臨床上檢查智力最常見(jiàn)的量表,能全面、準(zhǔn)確、迅速地反應(yīng)被試患者智力狀態(tài)及認(rèn)知功能缺損程度。通過(guò)量表總分值數(shù)反應(yīng)患者的情況,其中與文化教育程度有關(guān),進(jìn)一步的測(cè)驗(yàn)包括記憶力、執(zhí)行功能等各項(xiàng)認(rèn)知功能的評(píng)估。

    (2)臨床癡呆評(píng)估量表(CDR)。CDR是通過(guò)與患者及其家屬交談中獲得信息,加以提煉、完成對(duì)患者認(rèn)知受損程度的評(píng)估,繼而快速評(píng)定患者病情的嚴(yán)重程度。評(píng)定的領(lǐng)域包括記憶、定向力、判斷與解決問(wèn)題的能力、工作與社會(huì)交往能力、家庭生活和個(gè)人業(yè)余愛(ài)好、獨(dú)立生活自理能力。

    (3)萊氏聽(tīng)覺(jué)言語(yǔ)學(xué)習(xí)測(cè)試(RAVLT)。RAVLT即刻和延遲測(cè)試,該測(cè)試評(píng)估患者的語(yǔ)言記憶,是最敏感的記憶測(cè)試之一。測(cè)試通過(guò)給患者聽(tīng)讀一定數(shù)量的內(nèi)容,然后進(jìn)行即刻和延時(shí)回憶,以此來(lái)判斷患者的情況。研究表明,RAVLT對(duì)于AD的區(qū)分均高于其它的神經(jīng)心理學(xué)評(píng)估。

    (4)精神活動(dòng)功能問(wèn)卷(FAQ)。FAQ問(wèn)卷包含一些生活常見(jiàn)問(wèn)題,用于測(cè)量有關(guān)日常事務(wù)的詳細(xì)信息。通過(guò)受試者對(duì)于這些信息的描述來(lái)判斷其認(rèn)知能力。

    (5)β淀粉樣蛋白。老年斑為AD神經(jīng)病理學(xué)特征性表現(xiàn),其主要成分是β 淀粉樣蛋白(Amyloid β,Aβ)。生物體內(nèi)的Aβ以多種形式存在,其中最主要的為Aβ40和Aβ42[10]。研究發(fā)現(xiàn),AD患者腦組織中β 淀粉樣蛋白明顯增多,通過(guò)檢測(cè)血漿中Aβ水平對(duì)于檢出AD有一定的幫助[14]。

    (6)Tau蛋白和水溶性磷酸化Tau蛋白。Tau 蛋白是一種低相對(duì)分子質(zhì)量的微管相關(guān)蛋 白,在發(fā)生異常磷酸化、糖基化后易形成配對(duì)螺 旋纖維 (paired helical filaments, PHFs),進(jìn)一步組成 神經(jīng)原纖維纏結(jié),后者為 AD 的特征性病理表現(xiàn)[10]。 中重度AD患者腦脊液中 tau 蛋白水平較正常對(duì)照明顯升高,且這一指標(biāo)的升高早于臨床癡呆癥狀的出 現(xiàn),提示其可用于 AD 的預(yù)測(cè)[11]。

    (7)ApoE-載脂蛋白E。ApoE是中樞神經(jīng)系統(tǒng)最主要的載脂蛋白之一,參與膽固醇的動(dòng)員和重分布,也是神經(jīng)系統(tǒng)發(fā)育和損傷后維持髓鞘和神經(jīng)元細(xì)胞膜完整性的必要成分,其在血漿中的蛋白水平受ApoE基因型[10]。相關(guān)研究表明攜帶ApoE 基因型者由MCI進(jìn)展至AD的風(fēng)險(xiǎn)較高,因此ApoE對(duì)于AD的診斷有一定的參考價(jià)值[12]。

    1.3 特征向量融合

    MRI圖像和臨床指標(biāo)數(shù)據(jù)都有其特殊的優(yōu)勢(shì)和局限性,對(duì)多元數(shù)據(jù)特征向量進(jìn)行融合,有利于提高阿爾茨海默?。ˋD)分類(lèi)診斷的準(zhǔn)確度。本文提出的模型將MRI圖像特征向量和臨床指標(biāo)特征向量通過(guò)典型相關(guān)分析(CCA),來(lái)分析2個(gè)特征向量之間的相關(guān)關(guān)系并產(chǎn)生新的融合特征向量,輸入分類(lèi)器進(jìn)行分類(lèi)診斷。

    典型相關(guān)性分析是用來(lái)分析2個(gè)隨機(jī)向量彼此關(guān)系的統(tǒng)計(jì)方法之一。這種方法可以通過(guò)分析2個(gè)特征向量之間的相關(guān)關(guān)系產(chǎn)生新的融合特征向量,其不僅適用于信息融合,更適用于去除冗余信息。因此采用典型相關(guān)分析可以使得多源數(shù)據(jù)融合達(dá)到更好的效果[13]。

    1.4 疾病分類(lèi)診斷

    疾病分類(lèi)診斷主要通過(guò)多分類(lèi)器分類(lèi)實(shí)現(xiàn)。本文通過(guò)將圖像和指標(biāo)的融合特征向量輸入分類(lèi)器來(lái)診斷阿爾茨海默病的3個(gè)階段,包括正常(CN)、輕度認(rèn)知障礙(MCI)和阿爾茨海默?。ˋD)。本文選擇的多分類(lèi)器是決策樹(shù)。

    2 實(shí)驗(yàn)

    2.1 數(shù)據(jù)集

    本文采用的實(shí)驗(yàn)數(shù)據(jù)均來(lái)自公開(kāi)數(shù)據(jù)集ADNI。實(shí)驗(yàn)數(shù)據(jù)集總共包含302例相關(guān)患者的MRI圖像和臨床指標(biāo)。數(shù)據(jù)總共分為3個(gè)類(lèi)別,其中正常(CN)為91例;輕度認(rèn)知障礙(MCI)為141例;阿爾茨海默?。ˋD)為70例。

    MRI圖像使用T1加權(quán)、三維磁化強(qiáng)度預(yù)備梯度回波序列獲得的3張正交平面切面圖像,具有較高的空間分辨率和時(shí)間分辨率,信噪比、偽影小,對(duì)大腦內(nèi)部結(jié)構(gòu)(如白質(zhì)、灰質(zhì)和腦脊液)的對(duì)比度良好,有利于顯示微小的腦部變化,對(duì)阿爾茨海默病的診斷具有重要價(jià)值。

    臨床數(shù)據(jù)使用人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估和生物學(xué)檢測(cè)3種數(shù)據(jù)類(lèi)型的11個(gè)臨床指標(biāo)。

    2.2 評(píng)價(jià)指標(biāo)

    本文使用正確率來(lái)評(píng)價(jià)多分類(lèi)模型的性能,其計(jì)算方法如公式(3)所示,其中T為分類(lèi)正確的樣本數(shù)量,C為參與分類(lèi)的總數(shù)量。

    實(shí)驗(yàn)數(shù)據(jù)集以80比20的比例劃分,其中80%的數(shù)據(jù)用于訓(xùn)練目的,剩余的20%用于測(cè)試目的。使用交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證,以獲得有效的分類(lèi)性能。

    2.3 圖像特征提取模塊有效性評(píng)估

    本文建立的TOP-CNN-NN模型用于提取MRI圖像特征向量,該模型由3個(gè)VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)和1個(gè)單隱層網(wǎng)絡(luò)組成。

    見(jiàn)表1,在基于醫(yī)學(xué)影像的多分類(lèi)上,對(duì)比其它論文提出的多分類(lèi)模型和本文建立的TOP-CNN-NN模型的性能。實(shí)驗(yàn)結(jié)果顯示,與Tong T等人[7]使用非線性圖融合(NGF)的方法和Liu M等人[15]提出的基于結(jié)構(gòu)的固有多視圖學(xué)習(xí)(ISML)方法相比,本文建立的模型的性能要優(yōu)于兩者。與Zhe X等人[16]提出的基于紋理分析組合(SVM-RFE)的方法相比,本文建立的模型雖然在分類(lèi)性能上存在差距,但是在建模過(guò)程中無(wú)需先驗(yàn)知識(shí),無(wú)需臨床醫(yī)生參與。實(shí)驗(yàn)結(jié)果證明了本文建立的TOP-CNN-NN模型在基于醫(yī)學(xué)影像的多分類(lèi)上的有效性,進(jìn)一步證明了該模型用于提取MRI圖像特征向量的有效性。

    2.4 指標(biāo)特征選擇模塊有效性評(píng)估

    本文通過(guò)CfsSubsetEval評(píng)估器從ADNI數(shù)據(jù)集整理的28個(gè)指標(biāo)中篩選出11個(gè)臨床指標(biāo),包含人口統(tǒng)計(jì)學(xué)信息、神經(jīng)心理學(xué)評(píng)估和生物學(xué)檢測(cè)3種類(lèi)型的指標(biāo)。

    見(jiàn)表2,對(duì)比不同類(lèi)型臨床指標(biāo)的多分類(lèi)性能。實(shí)驗(yàn)結(jié)果顯示,基于2個(gè)人口統(tǒng)計(jì)學(xué)信息指標(biāo)(DEMOGRAPHIC-2)和5個(gè)生物學(xué)檢測(cè)指標(biāo)(BIOLOGY-5)的多分類(lèi)性能較差,基于4個(gè)神經(jīng)心理學(xué)評(píng)估指標(biāo)(NEUROPSYCHOLOGY-4)的多分類(lèi)性能較好,基于11個(gè)不同類(lèi)型臨床指標(biāo)(MERGE-11)的多分類(lèi)性能最好,且高于基于28個(gè)不同類(lèi)型臨床指標(biāo)(MERGE-28)的性能。實(shí)驗(yàn)結(jié)果證明了本文通過(guò)CfsSubsetEval評(píng)估器篩選的11個(gè)臨床指標(biāo)在多分類(lèi)上的有效性。

    2.5 特征向量融合模塊有效性評(píng)估

    本文通過(guò)典型相關(guān)分析(CCA),分析圖像特征向量和指標(biāo)特征向量之間的相關(guān)關(guān)系,并將其運(yùn)用于生成融合特征向量。

    見(jiàn)表3,對(duì)比基于TOP-MRI圖像和臨床指標(biāo)的不同組合的多分類(lèi)性能。實(shí)驗(yàn)結(jié)果顯示,基于臨床指標(biāo)的多分類(lèi)性能要優(yōu)于基于TOP-MRI圖像的性能;將TOP-MRI圖像和臨床指標(biāo)簡(jiǎn)單拼接融合,雖然性能要略微優(yōu)于僅使用圖像,但與基于臨床指標(biāo)相比,其性能有一定的下降;如果使用典型相關(guān)分析(CCA)將TOP-MRI圖像和臨床指標(biāo)進(jìn)行融合可以提高分類(lèi)性能,并且略?xún)?yōu)于僅使用臨床指標(biāo)。實(shí)驗(yàn)結(jié)果證明了本文提出的模型使用TOP-MRI圖像和臨床指標(biāo)的合理性,同時(shí)也證明了典型相關(guān)分析用于多元數(shù)據(jù)融合的有效性。

    2.6 疾病分類(lèi)診斷模型的有效性評(píng)估

    本文提出的融合TOP-MRI圖像和臨床指標(biāo)的阿爾茨海默病多分類(lèi)診斷模型(LF),用于區(qū)分阿爾茨海默病的3個(gè)階段:包括正常(CN)、輕度認(rèn)知障礙(MCI)和阿爾茨海默?。ˋD)。

    見(jiàn)表4,在阿爾茨海默病的多分類(lèi)診斷上,對(duì)比其它論文提出的多分類(lèi)診斷模型和本文提出的融合圖像和指標(biāo)的多分類(lèi)診斷模型的性能。實(shí)驗(yàn)結(jié)果顯示,Tong T等人[7]提出了一種基于圖的非線性融合方式(NGF),將影像學(xué)檢查中的MRI圖像、PET圖像和臨床數(shù)據(jù)中的CSF、基因型融合用于多分類(lèi)診斷,其正確率為53.8%。Zhu X等人[16]提出了一種稀疏鑒別特征選擇(SDFS)的方法,使用MRI和PET圖像作為實(shí)驗(yàn)數(shù)據(jù),其分類(lèi)正確率為61.1%。Altaf T等人[6]將MRI圖像和其它臨床數(shù)據(jù)的特征融合(FF),其全腦圖像和臨床數(shù)據(jù)融合取得的分類(lèi)正確率為75%。與其它論文提出的阿爾茨海默病多分類(lèi)診斷模型對(duì)比,本文提出的模型在多分類(lèi)上的正確率可以達(dá)到86.7%。實(shí)驗(yàn)結(jié)果證明了本文提出的阿爾茨海默病多分類(lèi)診斷模型在多分類(lèi)上的有效性。

    3 結(jié)束語(yǔ)

    本文提出了一種融合圖像和指標(biāo)的新型多分類(lèi)診斷模型,充分挖掘TOP-MRI圖像和臨床指標(biāo)特征用于阿爾茨海默病的多分類(lèi)診斷。本文采用ADNI公開(kāi)數(shù)據(jù)集,通過(guò)多個(gè)實(shí)驗(yàn)驗(yàn)證了提出的阿爾茨海默病多分類(lèi)診斷模型在多分類(lèi)上的有效性。

    由于模型性能的好壞受三正交平面MRI圖像提取位置的影響。另外,每種臨床指標(biāo)對(duì)于區(qū)分正常(CN)、輕度認(rèn)知障礙(MCI)和阿爾茨海默?。ˋD)的敏感性和特異性存在差異,可考慮將多分類(lèi)任務(wù)轉(zhuǎn)換成多個(gè)二分類(lèi)任務(wù),每種二分類(lèi)任務(wù)使用不同的臨床指標(biāo)組合。

    接下來(lái)的研究工作可以從這2個(gè)方面展開(kāi)。首先,研究三正交平面的提取位置對(duì)于分類(lèi)性能的影響。其次,研究不同的指標(biāo)對(duì)于區(qū)分不同疾病類(lèi)型的敏感性和特異性,更好地提高阿爾茨海默病分類(lèi)的準(zhǔn)確度。

    參考文獻(xiàn)

    [1] ????張靜爽,王蓉. 阿爾茨海默病發(fā)生機(jī)制的研究進(jìn)展[J]. 首都醫(yī)科大學(xué)報(bào),2014,35(6):721-724.

    [2] KARASAWA H, LIU C L, OHWADA H . Deep 3D Convolutional Neural Network architectures for Alzheimers disease diagnosis[M]//NGUYEN N, HOANG D, HONG T P, et al. Intelligent information and database systems. ACIIDS 2018. Lecture Notes in Computer Science, ?Springer, Cham, 2018, 10751:287-296.

    [3] Liu J, Li M, Lan W, et al. Classification of Alzheimer's Disease Using Whole Brain Hierarchical Network[J]. IEEE/ACM Transactions on Computational Biology & Bioinformatics, 2018,15(2):624-632.

    [4] PLATERO C, TOBAR M C. Combining a patch-based approach with a non-rigid registration-based label fusion method for the Hippocampal segmentation in Alzheimers disease[J]. Neuroinformatics, 2017, 15(2):165-183.

    [5] SARWINDA D, BUSTAMAM A. 3D-HOG features-based classification using MRI images to early diagnosis of Alzheimers disease[C]// 2018 IEEE/ACIS 17th International Conference on Computer and Information Science (ICIS). ?SINGAPORE:IEEE Computer Society, 2018,1:457-462.

    [6] ALTAF T, ANWAR S M, GUL N, et al. Multi-class Alzheimers disease classification using image and clinical features[J]. Biomedical Signal Processing and Control, 2018, 43:64-74.

    [7] TONG Tong, GRAY K, GAO Qinquan , et al. Multi-modal classification of Alzheimer's disease using nonlinear graph fusion[J]. Pattern Recognition, 2016, 63:171-181.

    [8] GU Jiuxiang, WANG Zhenhua, KUEN J,et al. Recent advances in Convolutional Neural Networks[J]. arXiv preprint arXiv:1512.07108, 2015.

    [9] SIMONYAN K, ZISSERMAN A.Very Deep Convolutional Networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556,2014.

    [10]陳逸,張寶榮. 阿爾茨海默病相關(guān)核心生物標(biāo)志物研究進(jìn)展[J].生命科學(xué),2014,26(1):2-8.

    [11]SCHRDER J,KAISER E,SCHNKNECHT P, et al.[CSF levels of total tau protein in patients with mild cognitive impairment and Alzheimer's disease][J]. Zeitschrift fur Gerontologie und Geriatrie,2008,41(6):497-501.

    [12]HSIUNG G Y R, SADOVNICK A D, FELDMAN H . Apolipoprotein E epsilon4 genotype as a risk factor for cognitive decline and dementia: data from the Canadian Study of Health and Aging[J]. CMAJ, 2004, 171(8):863-867.

    [13]孫權(quán)森, 曾生根, 王平安,等. 典型相關(guān)分析的理論及其在特征融合中的應(yīng)用[J]. 計(jì)算機(jī)學(xué)報(bào), 2005, 28(9):1524-1533.

    [14]GLENNER M D G G, WONG C W. Alzheimer's disease: initial report of the purification and characterization of a novel cerebrovascular amyloid protein [J]. Biochemical and Biophysical Research Communications, 1984,120(3):885-890.

    [15]LIU M, ZHANG D, ADELI E , et al. Inherent Structure-Based Multiview Learning With Multitemplate Feature Representation for Alzheimer's Disease Diagnosis[J]. IEEE Transactions on Biomedical Engineering, 2016, 63(7):1473-1482.

    [16]XIAOZhe,Ding Yi, LAN Tian , et al. Brain MR Image Classification for Alzheimers disease diagnosis based on multifeature fusion[J]. Computational and Mathematical Methods in Medicine, 2017, 2017:1-13.

    [17]ZHU Xiaofeng, SUK H I, SHEN Dinggang. Sparse Discriminative Feature Selection for Multi-class Alzheimers disease classification[M]//WU G,et al. Machine Learning in Medical Imaging, LNCS 8679.Switzerland:Springer, 2014:157-164.

    猜你喜歡
    生物標(biāo)志物阿爾茨海默病卷積神經(jīng)網(wǎng)絡(luò)
    基于UPLC—Q—TOF—MS技術(shù)的牛血清白蛋白誘導(dǎo)過(guò)敏反應(yīng)的代謝組學(xué)研究
    基于UPLC—Q—TOF—MS技術(shù)的牛血清白蛋白誘導(dǎo)過(guò)敏反應(yīng)的代謝組學(xué)研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    基于內(nèi)容分析法對(duì)阿爾茨海默病患者居家照護(hù)概念的解析
    瑣瑣葡萄多糖對(duì)阿爾茨海默病模型大鼠行為學(xué)和形態(tài)學(xué)的影響
    HSP70敲低對(duì)AD轉(zhuǎn)基因果蠅的神經(jīng)保護(hù)作用
    功能磁共振成像在輕度認(rèn)知障礙患者中的應(yīng)用研究進(jìn)展
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    亚洲黑人精品在线| 亚洲精品中文字幕一二三四区| 亚洲熟女毛片儿| 色老头精品视频在线观看| 777久久人妻少妇嫩草av网站| 亚洲av片天天在线观看| 国产精品一区二区在线不卡| 脱女人内裤的视频| 国语自产精品视频在线第100页| 免费在线观看影片大全网站| 精品不卡国产一区二区三区| 一个人免费在线观看的高清视频| 亚洲狠狠婷婷综合久久图片| 最近最新免费中文字幕在线| 免费搜索国产男女视频| 亚洲人成电影观看| 一区二区三区精品91| 亚洲黑人精品在线| 亚洲精华国产精华精| 18美女黄网站色大片免费观看| 亚洲男人天堂网一区| 日韩三级视频一区二区三区| av视频在线观看入口| 成年人黄色毛片网站| 人成视频在线观看免费观看| 一本久久中文字幕| 非洲黑人性xxxx精品又粗又长| 色av中文字幕| 最近最新中文字幕大全电影3 | 久久久久久久午夜电影| 国产三级黄色录像| 欧美在线黄色| 久久人人精品亚洲av| 国产一卡二卡三卡精品| 日韩欧美一区视频在线观看| 亚洲熟妇中文字幕五十中出| 丝袜美腿诱惑在线| 国产成人精品久久二区二区91| 黄片大片在线免费观看| 久久久精品国产亚洲av高清涩受| av天堂久久9| 国产亚洲精品综合一区在线观看 | 黑人巨大精品欧美一区二区mp4| 男女下面进入的视频免费午夜 | 欧美乱妇无乱码| 九色国产91popny在线| 在线观看免费视频日本深夜| 日韩欧美三级三区| 国产熟女午夜一区二区三区| 国产激情欧美一区二区| 人人妻,人人澡人人爽秒播| 国产亚洲欧美在线一区二区| tocl精华| 99国产精品99久久久久| 国产精品久久久久久亚洲av鲁大| 久久人妻熟女aⅴ| 日本vs欧美在线观看视频| 男男h啪啪无遮挡| 久久久久久人人人人人| 欧美激情极品国产一区二区三区| 夜夜夜夜夜久久久久| 91九色精品人成在线观看| av天堂在线播放| 日韩视频一区二区在线观看| 亚洲第一欧美日韩一区二区三区| 一边摸一边抽搐一进一出视频| 巨乳人妻的诱惑在线观看| 性色av乱码一区二区三区2| x7x7x7水蜜桃| 成人永久免费在线观看视频| 日本 av在线| 国产精品久久久久久人妻精品电影| 成熟少妇高潮喷水视频| 日韩中文字幕欧美一区二区| 亚洲,欧美精品.| 成人手机av| 伦理电影免费视频| 伦理电影免费视频| 亚洲中文av在线| videosex国产| 性色av乱码一区二区三区2| 又大又爽又粗| 午夜成年电影在线免费观看| 淫妇啪啪啪对白视频| 久久香蕉精品热| 午夜福利18| 午夜福利免费观看在线| 香蕉国产在线看| 国产亚洲欧美98| 男人的好看免费观看在线视频 | netflix在线观看网站| 亚洲最大成人中文| 久久久久久人人人人人| 午夜免费观看网址| 久久亚洲真实| 校园春色视频在线观看| 国产精品野战在线观看| 少妇熟女aⅴ在线视频| 麻豆久久精品国产亚洲av| 国产在线观看jvid| 91精品三级在线观看| 母亲3免费完整高清在线观看| 99久久国产精品久久久| 国内精品久久久久久久电影| 午夜久久久久精精品| 成人永久免费在线观看视频| 在线观看免费视频日本深夜| 国产男靠女视频免费网站| 黄片小视频在线播放| 香蕉丝袜av| 中文字幕另类日韩欧美亚洲嫩草| 香蕉久久夜色| 免费在线观看视频国产中文字幕亚洲| 色婷婷久久久亚洲欧美| 97人妻天天添夜夜摸| 好男人电影高清在线观看| 少妇被粗大的猛进出69影院| 亚洲aⅴ乱码一区二区在线播放 | 国产99久久九九免费精品| 精品久久久久久久人妻蜜臀av | 国产一区在线观看成人免费| 国产91精品成人一区二区三区| 精品免费久久久久久久清纯| 美女 人体艺术 gogo| 久久人妻av系列| 好看av亚洲va欧美ⅴa在| or卡值多少钱| 999久久久国产精品视频| 日本五十路高清| 天堂动漫精品| 欧美成人一区二区免费高清观看 | 国产精品一区二区免费欧美| www日本在线高清视频| 最好的美女福利视频网| 色综合站精品国产| 91麻豆av在线| 欧美日韩黄片免| 久久久久久大精品| 精品久久久久久成人av| 99久久久亚洲精品蜜臀av| 国产成人精品在线电影| 高清在线国产一区| 身体一侧抽搐| 91av网站免费观看| 黑人欧美特级aaaaaa片| 久久人人精品亚洲av| a级毛片在线看网站| 50天的宝宝边吃奶边哭怎么回事| 好男人电影高清在线观看| 久久人妻熟女aⅴ| 国产高清videossex| 老汉色∧v一级毛片| 精品久久久久久久毛片微露脸| 亚洲成国产人片在线观看| 国产精品一区二区精品视频观看| 色综合站精品国产| 欧洲精品卡2卡3卡4卡5卡区| 久久欧美精品欧美久久欧美| 亚洲精品久久国产高清桃花| 好看av亚洲va欧美ⅴa在| 欧美黑人精品巨大| 国内精品久久久久久久电影| 亚洲三区欧美一区| 欧美激情高清一区二区三区| 制服人妻中文乱码| 亚洲美女黄片视频| 又大又爽又粗| 欧美绝顶高潮抽搐喷水| 99国产精品免费福利视频| 久9热在线精品视频| 国产亚洲精品一区二区www| 国产不卡一卡二| 午夜精品在线福利| 少妇熟女aⅴ在线视频| 国产精品久久久久久精品电影 | 伊人久久大香线蕉亚洲五| av中文乱码字幕在线| 香蕉丝袜av| 可以免费在线观看a视频的电影网站| 中文字幕精品免费在线观看视频| 久久欧美精品欧美久久欧美| 国产亚洲精品第一综合不卡| 在线观看www视频免费| 久久精品aⅴ一区二区三区四区| 满18在线观看网站| 成年女人毛片免费观看观看9| 日日爽夜夜爽网站| 老熟妇仑乱视频hdxx| 国产一区二区激情短视频| 两个人视频免费观看高清| 在线观看一区二区三区| 国产av精品麻豆| 欧美日韩亚洲国产一区二区在线观看| 变态另类成人亚洲欧美熟女 | 亚洲精品国产色婷婷电影| 一本综合久久免费| 亚洲国产精品999在线| 69av精品久久久久久| 国产精品永久免费网站| 中文亚洲av片在线观看爽| 亚洲久久久国产精品| 69精品国产乱码久久久| 好看av亚洲va欧美ⅴa在| 亚洲欧美日韩无卡精品| 一个人观看的视频www高清免费观看 | 日本vs欧美在线观看视频| 亚洲av成人一区二区三| 国产一区在线观看成人免费| 十八禁人妻一区二区| 久久伊人香网站| 女同久久另类99精品国产91| 日韩成人在线观看一区二区三区| 极品教师在线免费播放| 免费在线观看黄色视频的| 成人欧美大片| 亚洲av成人不卡在线观看播放网| 国产一区二区激情短视频| 美女 人体艺术 gogo| 99久久99久久久精品蜜桃| 日韩成人在线观看一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 国产国语露脸激情在线看| 色老头精品视频在线观看| 亚洲va日本ⅴa欧美va伊人久久| 国产精品久久久人人做人人爽| 波多野结衣一区麻豆| 欧美性长视频在线观看| 久久久精品欧美日韩精品| 久久午夜综合久久蜜桃| 亚洲精品久久成人aⅴ小说| 精品国产一区二区久久| 亚洲精品中文字幕在线视频| 一边摸一边抽搐一进一小说| 国产精品国产高清国产av| 国产亚洲欧美在线一区二区| 久久热在线av| av欧美777| 人人妻人人澡人人看| 国产精品免费视频内射| 国产成人精品无人区| 亚洲色图综合在线观看| 日韩欧美一区视频在线观看| 精品欧美一区二区三区在线| 国产精品久久久久久亚洲av鲁大| 99香蕉大伊视频| 亚洲av五月六月丁香网| 精品久久久久久久毛片微露脸| 国产日韩一区二区三区精品不卡| 精品人妻在线不人妻| 精品一区二区三区四区五区乱码| 午夜视频精品福利| 欧美在线一区亚洲| 欧美日本视频| 女生性感内裤真人,穿戴方法视频| www.熟女人妻精品国产| 亚洲国产精品999在线| 欧美日韩福利视频一区二区| 动漫黄色视频在线观看| 精品国产乱码久久久久久男人| 日韩大尺度精品在线看网址 | 国产aⅴ精品一区二区三区波| 久久国产乱子伦精品免费另类| 99在线视频只有这里精品首页| av免费在线观看网站| 欧美日韩亚洲综合一区二区三区_| 国内精品久久久久精免费| 久久精品aⅴ一区二区三区四区| 桃色一区二区三区在线观看| www.自偷自拍.com| tocl精华| 动漫黄色视频在线观看| 99riav亚洲国产免费| 色婷婷久久久亚洲欧美| 99国产精品免费福利视频| 日本三级黄在线观看| 黑人巨大精品欧美一区二区蜜桃| 成人手机av| 欧美精品亚洲一区二区| 国产精品久久久久久人妻精品电影| netflix在线观看网站| 国产免费av片在线观看野外av| 国产97色在线日韩免费| 精品电影一区二区在线| 午夜免费激情av| 亚洲国产精品合色在线| 国产高清有码在线观看视频 | 成人国语在线视频| 日本五十路高清| av福利片在线| 欧美亚洲日本最大视频资源| a级毛片在线看网站| 超碰成人久久| 90打野战视频偷拍视频| 国产成人精品久久二区二区免费| 亚洲男人天堂网一区| √禁漫天堂资源中文www| 最好的美女福利视频网| 免费在线观看亚洲国产| 亚洲伊人色综图| 好男人在线观看高清免费视频 | 日韩欧美一区二区三区在线观看| 亚洲avbb在线观看| 午夜a级毛片| 成年女人毛片免费观看观看9| 日韩精品青青久久久久久| 黄片大片在线免费观看| 成人特级黄色片久久久久久久| 母亲3免费完整高清在线观看| 超碰成人久久| 久久精品国产亚洲av高清一级| 黑人操中国人逼视频| 国产欧美日韩精品亚洲av| 国产精品一区二区在线不卡| 欧美老熟妇乱子伦牲交| 欧美另类亚洲清纯唯美| 亚洲精品久久成人aⅴ小说| 精品久久蜜臀av无| 日本五十路高清| 人人妻人人澡人人看| 老汉色∧v一级毛片| 亚洲五月婷婷丁香| 亚洲三区欧美一区| 国产精华一区二区三区| 夜夜看夜夜爽夜夜摸| 亚洲五月天丁香| 天天一区二区日本电影三级 | 亚洲专区国产一区二区| av超薄肉色丝袜交足视频| 久久精品亚洲熟妇少妇任你| 最近最新中文字幕大全免费视频| 国产精品国产高清国产av| 精品免费久久久久久久清纯| 少妇熟女aⅴ在线视频| 中文字幕另类日韩欧美亚洲嫩草| 超碰成人久久| 大型av网站在线播放| 亚洲专区字幕在线| 免费女性裸体啪啪无遮挡网站| 99国产精品99久久久久| or卡值多少钱| 亚洲专区字幕在线| 亚洲七黄色美女视频| 搞女人的毛片| 99国产精品一区二区蜜桃av| 日韩精品中文字幕看吧| 亚洲五月天丁香| 97人妻天天添夜夜摸| 免费人成视频x8x8入口观看| 99国产精品一区二区三区| 免费女性裸体啪啪无遮挡网站| 国产亚洲精品一区二区www| 免费高清在线观看日韩| 91九色精品人成在线观看| 天天添夜夜摸| 欧美绝顶高潮抽搐喷水| 久久久久久久精品吃奶| 一级a爱视频在线免费观看| 欧美在线一区亚洲| 侵犯人妻中文字幕一二三四区| 母亲3免费完整高清在线观看| 9热在线视频观看99| 大型av网站在线播放| 亚洲一区中文字幕在线| 日本 欧美在线| 亚洲色图av天堂| 免费人成视频x8x8入口观看| 麻豆成人av在线观看| 最近最新免费中文字幕在线| 侵犯人妻中文字幕一二三四区| 欧美成人一区二区免费高清观看 | 日韩一卡2卡3卡4卡2021年| 成人国产一区最新在线观看| 欧美色欧美亚洲另类二区 | 午夜成年电影在线免费观看| 久久精品国产清高在天天线| 50天的宝宝边吃奶边哭怎么回事| 亚洲精品粉嫩美女一区| 久久久久久久久中文| 亚洲人成77777在线视频| 男男h啪啪无遮挡| 精品久久久久久久毛片微露脸| 黑人操中国人逼视频| 久久中文字幕人妻熟女| 欧美精品啪啪一区二区三区| av网站免费在线观看视频| 亚洲欧美精品综合一区二区三区| 丝袜人妻中文字幕| 国产一级毛片七仙女欲春2 | 久久青草综合色| 国产午夜精品久久久久久| 中文字幕av电影在线播放| 久久久水蜜桃国产精品网| 窝窝影院91人妻| 亚洲精品国产精品久久久不卡| 麻豆一二三区av精品| 久久久久久大精品| 欧美 亚洲 国产 日韩一| 18禁美女被吸乳视频| 757午夜福利合集在线观看| 高清黄色对白视频在线免费看| 9热在线视频观看99| 一级,二级,三级黄色视频| 精品久久久久久久人妻蜜臀av | 国产精品一区二区免费欧美| 国产一区二区在线av高清观看| 成人精品一区二区免费| 国产伦人伦偷精品视频| 午夜福利影视在线免费观看| 亚洲aⅴ乱码一区二区在线播放 | 欧美日韩精品网址| 老鸭窝网址在线观看| 黄色成人免费大全| 大香蕉久久成人网| 夜夜看夜夜爽夜夜摸| 国产熟女午夜一区二区三区| 嫩草影视91久久| e午夜精品久久久久久久| 成人三级黄色视频| 人妻久久中文字幕网| 久久精品国产亚洲av香蕉五月| 亚洲天堂国产精品一区在线| 中文字幕人妻丝袜一区二区| 精品国内亚洲2022精品成人| 色综合站精品国产| 亚洲一区二区三区不卡视频| 亚洲av熟女| 国产精品一区二区精品视频观看| 午夜免费激情av| 女人被躁到高潮嗷嗷叫费观| 午夜老司机福利片| 最好的美女福利视频网| 欧美成人免费av一区二区三区| 日本 av在线| 天堂影院成人在线观看| 国产成年人精品一区二区| 国产精品野战在线观看| 极品教师在线免费播放| 久久久久国产精品人妻aⅴ院| 欧美日韩一级在线毛片| 在线av久久热| 免费看a级黄色片| av有码第一页| 18美女黄网站色大片免费观看| 久久国产精品人妻蜜桃| 久久精品国产亚洲av香蕉五月| 大码成人一级视频| 久久欧美精品欧美久久欧美| 亚洲五月婷婷丁香| 久久精品91蜜桃| 91国产中文字幕| 久久精品91蜜桃| 大香蕉久久成人网| av免费在线观看网站| 国产伦人伦偷精品视频| 麻豆一二三区av精品| 亚洲成av片中文字幕在线观看| 欧美大码av| av在线播放免费不卡| 国产精品亚洲av一区麻豆| 亚洲 国产 在线| 波多野结衣一区麻豆| 动漫黄色视频在线观看| 高清毛片免费观看视频网站| 亚洲欧美日韩另类电影网站| av网站免费在线观看视频| 熟妇人妻久久中文字幕3abv| 天天添夜夜摸| 韩国av一区二区三区四区| 午夜福利免费观看在线| 黄色毛片三级朝国网站| 欧美日本中文国产一区发布| 久久国产精品人妻蜜桃| 久久天堂一区二区三区四区| 级片在线观看| 欧美午夜高清在线| 日本三级黄在线观看| 婷婷六月久久综合丁香| 在线av久久热| 久久人人精品亚洲av| 99久久精品国产亚洲精品| 变态另类成人亚洲欧美熟女 | 18禁国产床啪视频网站| 久久伊人香网站| 久久香蕉精品热| 午夜福利在线观看吧| 久久国产精品影院| 国产精品日韩av在线免费观看 | 久久香蕉国产精品| 丰满人妻熟妇乱又伦精品不卡| 在线视频色国产色| 女人精品久久久久毛片| 亚洲自拍偷在线| 午夜福利在线观看吧| 欧美中文综合在线视频| 久久精品国产亚洲av香蕉五月| 无人区码免费观看不卡| 欧美在线一区亚洲| 极品教师在线免费播放| 欧美绝顶高潮抽搐喷水| 国产不卡一卡二| 欧美国产日韩亚洲一区| 亚洲国产看品久久| 国产亚洲欧美98| 亚洲 欧美 日韩 在线 免费| 91av网站免费观看| 韩国av一区二区三区四区| 国产一区二区激情短视频| 久久 成人 亚洲| www.999成人在线观看| 精品日产1卡2卡| 好男人电影高清在线观看| 三级毛片av免费| 国产视频一区二区在线看| 极品教师在线免费播放| 亚洲国产日韩欧美精品在线观看 | 亚洲国产看品久久| 午夜成年电影在线免费观看| 一进一出好大好爽视频| www.熟女人妻精品国产| 国产精品免费一区二区三区在线| 久久影院123| 欧美老熟妇乱子伦牲交| 精品第一国产精品| www.999成人在线观看| 可以在线观看毛片的网站| 午夜福利欧美成人| 久久久久精品国产欧美久久久| 亚洲无线在线观看| 国产精品98久久久久久宅男小说| 日韩有码中文字幕| 午夜福利欧美成人| 久久 成人 亚洲| 久久久久久久久久久久大奶| 伊人久久大香线蕉亚洲五| 多毛熟女@视频| 99国产精品免费福利视频| 不卡av一区二区三区| 好男人在线观看高清免费视频 | 亚洲国产精品成人综合色| 老汉色∧v一级毛片| 精品日产1卡2卡| 亚洲精品粉嫩美女一区| 97人妻天天添夜夜摸| 热99re8久久精品国产| 中文字幕人成人乱码亚洲影| 脱女人内裤的视频| 一个人观看的视频www高清免费观看 | 在线免费观看的www视频| 久久精品国产综合久久久| 午夜福利在线观看吧| 日本五十路高清| 九色国产91popny在线| 国产亚洲精品久久久久5区| 亚洲精品中文字幕在线视频| 成人亚洲精品av一区二区| 美女高潮到喷水免费观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲中文av在线| 搞女人的毛片| 99香蕉大伊视频| 久热这里只有精品99| 国产亚洲精品综合一区在线观看 | 大型av网站在线播放| 女人被躁到高潮嗷嗷叫费观| 欧美中文综合在线视频| 亚洲人成77777在线视频| 中文亚洲av片在线观看爽| 欧美中文日本在线观看视频| 亚洲精品美女久久av网站| 女性被躁到高潮视频| 午夜精品久久久久久毛片777| 美女午夜性视频免费| 一级毛片精品| 久久精品成人免费网站| 无遮挡黄片免费观看| 免费在线观看日本一区| 亚洲国产精品成人综合色| 黑人巨大精品欧美一区二区蜜桃| 久久影院123| 亚洲七黄色美女视频| 亚洲专区中文字幕在线| 亚洲第一电影网av| 99国产综合亚洲精品| 色哟哟哟哟哟哟| 熟女少妇亚洲综合色aaa.| 亚洲人成77777在线视频| 在线观看www视频免费| 成人亚洲精品av一区二区| 90打野战视频偷拍视频| 激情视频va一区二区三区| 国产区一区二久久| 99在线人妻在线中文字幕| 欧美日韩精品网址| 桃色一区二区三区在线观看| 久久精品影院6| 变态另类成人亚洲欧美熟女 | 国产精品,欧美在线| 精品久久久精品久久久| 国产欧美日韩一区二区精品| 国产av一区二区精品久久| 欧美乱色亚洲激情| 久9热在线精品视频| 男女做爰动态图高潮gif福利片 | 久久久久久久午夜电影| 国产亚洲精品久久久久久毛片| 女人被狂操c到高潮| av有码第一页| 亚洲中文字幕日韩| 久久久久国产一级毛片高清牌| 黄色视频不卡| 在线观看66精品国产| 成年女人毛片免费观看观看9| 琪琪午夜伦伦电影理论片6080| 亚洲中文字幕日韩| 美女扒开内裤让男人捅视频|