• <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 ?

    基于深度學習的肺結節(jié)診斷識別研究

    2019-10-18 02:57:59高喚李秀娟
    軟件導刊 2019年9期
    關鍵詞:卷積神經(jīng)網(wǎng)絡深度學習

    高喚 李秀娟

    摘 要:醫(yī)學圖像診斷領域的研究熱點是病灶點特征和精準定位,將深度學習應用到該領域后診斷效果明顯,但是不同深度學習模型之間存在差異性。重點介紹幾種重要的深度神經(jīng)網(wǎng)絡模型,總結深度學習在肺結節(jié)診斷識別中的研究進展,并提出將深度學習應用于肺結節(jié)臨床診斷識別所面臨的挑戰(zhàn)與機遇。

    關鍵詞:深度學習;肺結節(jié)診斷;卷積神經(jīng)網(wǎng)絡;醫(yī)學圖像

    DOI:10. 11907/rjdk. 191972 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2019)009-0047-04

    Diagnosis and Recognition of Lung Nodules Based on Deep Learning

    GAO Huan, LI Xiu-juan

    (College of Electrical Engineering, Henan University of Technology, Zhengzhou 450001,China)

    Abstract: The research hotspots of medical image diagnosis are the characteristics of lesions and precise positioning. After applying deep learning to this field, we find the diagnostic effect is obvious, but there are differences between different depth learning models. This paper focuses on several important deep neural network models, summarizes the research progress of deep learning in the diagnosis and identification of pulmonary nodules, and proposes the challenges and opportunities for applying deep learning to the clinical diagnosis and identification of pulmonary nodules.

    Key Words:deep learning; pulmonary nodule diagnosis; convolutional neural network; medical imaging

    0 引言

    作為人類公敵的肺癌,是對人類生存威脅最大的惡性腫瘤之一,其發(fā)病率和死亡率目前均占所有惡性腫瘤首位[1-2]。降低肺癌死亡率、提高病人生存率,最關鍵的是早發(fā)現(xiàn)、早診斷、早治療。而肺結節(jié)作為早期肺癌的主要表現(xiàn)形式,及早發(fā)現(xiàn)與治療可以極大降低肺癌患者死亡率。人們生活水平和健康意識的不斷提高以及醫(yī)療設備的精細化發(fā)展,促進了肺結節(jié)診斷治療的發(fā)展,但同時也給傳統(tǒng)的醫(yī)生診斷帶來了大量數(shù)據(jù)量和工作量[3-4]。

    在醫(yī)學領域,肺結節(jié)診斷識別方法主要有影像學檢查、痰液細胞學檢查、纖維支氣管鏡檢查以及穿刺活檢等。而影像學X線計算機斷層攝影(X-ray Computed Tomography,CT)檢查由于其無創(chuàng)性而受到人們青睞,傳統(tǒng)肺結節(jié)診斷識別方法由影像科醫(yī)生通過逐張觀察被檢查者肺部CT圖像切片,依靠自身經(jīng)驗判斷是否有肺結節(jié)以及其良惡性。面對大數(shù)據(jù)的CT圖像,醫(yī)院現(xiàn)存在診斷肺結節(jié)耗時長、效率低、主觀性大等問題,而影像科醫(yī)生面對長時間的診斷分析工作,極易造成疲勞,容易導致漏診和誤診。因此,利用一些專業(yè)診斷分析工具[5],為醫(yī)生提供輔助診斷,減輕醫(yī)生負擔,從而為早期肺癌的判別提供客觀、科學的診斷依據(jù),推動醫(yī)療診斷的智能化、精細化發(fā)展尤為必要。在這些診斷分析工具中,深度學習由于其易學性、通用性、高效性及準確性,在醫(yī)學圖像診斷識別領域,尤其是肺結節(jié)診斷識別方面,正以極快的速度向前發(fā)展。

    近年來,隨著深度學習技術的不斷發(fā)展,很多深度神經(jīng)網(wǎng)絡(Deep Neural Networks,DNN)模型也被應用到醫(yī)學影像肺結節(jié)診斷中[6],歸納總結為兩類:有監(jiān)督學習方法和無監(jiān)督學習方法[7-13]。其中,有監(jiān)督學習包括卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN),無監(jiān)督學習包括棧式自動編碼器(Stacked Auto-Encoders,SAE)[14]、限制玻爾茲曼機(Restricted Boltzman Machines,RBM)、深度信念網(wǎng)絡(Deep Belief Networks,DBN)等[15]。

    本文重點介紹深度學習中幾個重要的深度神經(jīng)網(wǎng)絡模型并探討深度學習在肺結節(jié)診斷識別中的研究進展,最后進行總結,提出基于深度學習的肺結節(jié)臨床診斷識別所面臨的挑戰(zhàn)與機遇。

    1 幾種典型深度神經(jīng)網(wǎng)絡模型

    深度神經(jīng)網(wǎng)絡[16]是一種含多隱層的神經(jīng)網(wǎng)絡結構,能模擬人腦對外界的抽象機制。相比淺層神經(jīng)網(wǎng)絡學習,深度神經(jīng)網(wǎng)絡更加復雜,能夠提取更抽象的特征,具有以下優(yōu)點:①能最大程度地表示輸入輸出間的函數(shù)關系,泛化能力強;②參數(shù)遠遠小于同級別的淺層網(wǎng)絡,不僅降低連接復雜度,還能抑制過擬合。

    1.1 卷積神經(jīng)網(wǎng)絡

    CNN是一種備受青睞的深度神經(jīng)網(wǎng)絡,由于其輸入一般是帶標簽的數(shù)據(jù),故屬于有監(jiān)督學習。自2012年開始,CNN憑借其無與倫比的特征學習能力被廣泛應用于圖像識別、音頻識別等領域,同時許多科技公司相繼投入大量精力對其進行產(chǎn)品化研究。如圖1所示,CNN一般由3個基本單元構成,它們是卷積層(Convolutional Layer)、池化層(Pooling Layer)和全連接層(Fully Connected Layer),每層功能各不相同,通過合理安排連接順序可實現(xiàn)不同需求。

    一般地,在CNN結構中卷積層和池化層可多次交替出現(xiàn),在其頂層往往放置多個全連接層。尤其需要注意的是,除全連接層外,其余各層間神經(jīng)元都以局部連接方式相連。局部感知和權值共享是CNN實現(xiàn)特征提取的關鍵理論基礎,局部感知使得層間的局部連接能夠減少網(wǎng)絡參數(shù),權值共享能更有效地提取關鍵特征。如圖2所示,一個基本CNN框架包括卷積、池化和非線性激活這3步操作。

    1.2 自動編碼器

    自動編碼器是深度學習領域中最常用的模型之一。如圖3所示,自動編碼器將隱含層看作是編碼器與解碼器的組合,數(shù)據(jù)通過輸入與輸出間隱含層的編碼和解碼后基本保持不變。由于輸入數(shù)據(jù)通常無標記,因此隱含層編碼和解碼的過程就是對數(shù)據(jù)特征進行提取的過程。其學習目標是使重建的誤差最小化,訓練時往往采用共軛梯度法調整網(wǎng)絡參數(shù)。單個自動編碼器一般不足以產(chǎn)生具有顯著判別能力的特征,因此研究者們常把多個自動編碼器前后堆疊起來,這樣后層自動編碼器便能在前層自動編碼器中所學得的特征基礎上再進行深入學習,這便構成了棧式自動編碼器。不過,在網(wǎng)絡訓練時,如果誤差集中體現(xiàn)在前層自動編碼器中,后層自動編碼器的繼續(xù)學習將會失去作用,并且可能演變成對數(shù)據(jù)均值的學習。針對這種現(xiàn)象,有學者提出采用預訓練方式[17]。

    1.3 限制玻爾茲曼機

    RBM來源于玻爾茲曼機,之所以加上“限制”兩字,是因為它并不允許同一層中神經(jīng)元的相互連接。每個神經(jīng)元的輸出只有兩種狀態(tài),一般使用二進制的0和1表示。RBM具有兩層結構,即可見層(V層)和隱層(H層),兩層神經(jīng)元間全連接,但每層神經(jīng)元之間是獨立的,即每層神經(jīng)元之間無連接,如圖4所示。RBM是一種基于能量的模型,即能量最小化時網(wǎng)絡模型達到理想狀態(tài)。在給定的可見層單元狀態(tài)下,各隱層的激活條件獨立;同樣地,給定隱層單元狀態(tài)時,可見層的激活條件獨立[18]。

    1.4 深度信念網(wǎng)絡

    DBN由多個RBM組成,一個典型的DBN結構如圖5所示。DBN是由多層潛在隨機變量構成的概率生成模型。潛在變量通常具有二進制值,通常稱為隱藏單元或特征檢測器。最上面的兩層之間有無向的對稱連接,形成聯(lián)想記憶;較低的層從上面的層接收自頂向下的、定向的連接。最底層單元的狀態(tài)表示一個數(shù)據(jù)向量[19]。

    DBN有兩個最重要特性:一是它提供一個高效的、逐層的過程學習自頂向下、可生成的權重,其決定了一層中的變量如何依賴于上一層的變量;二是學習之后,每一層潛在變量的值都可以通過一個自底向上的單遍歷推斷,該遍歷從底層一個觀察到的數(shù)據(jù)向量開始,然后反向使用生成權值。

    DBN通過將一層中潛在變量的值作為訓練下一層的數(shù)據(jù)進行處理。可以遵循這種高效、貪婪的學習,或與其它學習過程相結合,微調所有權重,以提高整個網(wǎng)絡的生成或辨別性能??梢酝ㄟ^添加最后一層變量的期望輸出和反向傳播誤差導數(shù)進行區(qū)分性的微調。將具有多個隱層的網(wǎng)絡應用到高度結構化的輸入數(shù)據(jù),如圖像時,如果通過學習一個對輸入數(shù)據(jù)中結構建模的DBN初始化隱層中的特征檢測器,則反向傳播效果會更好。

    2 研究進展

    深度學習方法是根據(jù)相應算法完成肺結節(jié)的篩選[20-21]并進行判斷分類[22-25],可以比較完整地觀察整張切片而無遺漏,且不會受到疲勞狀態(tài)影響,其結果也較為客觀和全面。當前,深度學習方法結合CT圖像對肺結節(jié)進行診斷識別的研究較多。

    楊佳玲等[26]將自定義的DBN引入肺結節(jié)的良惡性診斷中,實現(xiàn)肺結節(jié)的分類算法。該算法首先提取感興趣區(qū)域,從形狀、灰度、紋理、空間位置這幾個方面提取87個不同的肺結節(jié)特征,并構造特征向量[27];然后對提取的特征進行研究分析,構建出5層DBN,該網(wǎng)絡包括3個隱層,一個輸入、一個二分類輸出層;最后對所構建DBN模型進行訓練測試,并給出測試指標。對來自肺部圖像數(shù)據(jù)庫聯(lián)盟(Lung Image Database Consortium,LIDC)與某醫(yī)院的206個CT病例進行訓練測試,結果表明該算法指標分別是分類精度95.3%、敏感性92.5%和特異性93.2%,ROC曲線下面積為0.921。

    Song等[28]比較分析了用于肺癌鈣化檢測的3種深度神經(jīng)網(wǎng)絡模型,分別是CNN、DNN、SAE,并將這些網(wǎng)絡模型應用于CT圖像中,在LIDC數(shù)據(jù)庫上對肺結節(jié)良惡性進行診斷分類、預測評估。實驗結果表明,CNN的性能優(yōu)于DNN和SAE,準確率為84.15%,靈敏度為83.96%,特異性為84.32%,在3種網(wǎng)絡中效果最好。

    Shen等[29]提出了一種多作物卷積神經(jīng)網(wǎng)絡(Multi-crop Convolutional Neutral Network,MC-CNN),通過對卷積特征圖中不同區(qū)域的作物進行池化處理,然后在不同的時間應用最大池化處理技術,自動提取結節(jié)的突出信息。通過在LIDC數(shù)據(jù)庫上進行大量實驗,結果表明,提出的方法能獲得最先進的結節(jié)可疑性分類性能,其分類精度、敏感性和特異性分別為87.14%,77%和93%,ROC曲線下面積為0.93。同時,所提出的網(wǎng)絡能有效地表征結節(jié)的語義屬性(細微度和邊緣)和結節(jié)直徑,對結節(jié)良惡性建模診斷很有幫助。

    Raunak等[30]提出從三維圖像直接映射到類標簽,為了實現(xiàn)這一目標,構造了四種雙通路卷積神經(jīng)網(wǎng)絡,包括一個基本的3D CNN、一個新的多輸出網(wǎng)絡、一個3D DenseNet和一個具有多輸出的增強3D DenseNet。通過在LIDC數(shù)據(jù)集上對這4個網(wǎng)絡進行評估,顯示其性能優(yōu)于大多數(shù)現(xiàn)有方法,特別是3D多輸出DenseNet (MoDenseNet),在端到端肺結節(jié)診斷任務上達到了最先進的分類精度,其分類精度、敏感性和特異性分別為90.40%,90.47%和90.33%,ROC曲線下面積為0.954 8。此外,研究者認為在LIDC數(shù)據(jù)集上預先訓練的網(wǎng)絡可作進一步擴展,通過遷移學習處理更小的數(shù)據(jù)集。在肺結節(jié)分類中的預測準確性也證明了這一點。

    苗光等[31]提出了一種二維和三維卷積神經(jīng)網(wǎng)絡相結合的肺結節(jié)檢測方法。該方法首先采用改進的2D全卷積神經(jīng)網(wǎng)絡U-net檢測候選結節(jié)[32]。針對原始U-net模型在訓練時,會出現(xiàn)過擬合現(xiàn)象,通過改變網(wǎng)絡輸入圖片大小、添加Batch-Normalization層、采用Leaky-ReLU、加入dropout策略等方法抽取候選結節(jié)。隨后,將多層切片中的候選結節(jié)通過計算歐式距離并參考注釋文件等方法進行合并,并根據(jù)計算出的均值坐標,提取出疑似結節(jié)的三維立體圖像塊。之后,構造出一個7層的3D卷積神經(jīng)網(wǎng)絡框架用于去除結節(jié)的假陽性,該框架包含一個輸入層、三個卷積層、一個池化層、一個全連接層和一個Softmax分類器。將提取的候選結節(jié)送入構建的3D CNN模型中進行二分類處理以去除假陽性結節(jié)。在LIDC數(shù)據(jù)集上,平均每位患者為36.2個假陽性時,結節(jié)初步檢測召回率時為98.2%;在假陽性去除后,假陽性為1和4時,準確率分別是87.3%和97.0%。該方法采用3D CNN能更加有效地提取到結節(jié)原有的空間信息,有效解決了肺結節(jié)識別效率不高及大量假陽性問題。

    3 結語

    綜上所述,基于深度學習的肺結節(jié)診斷識別,能有效克服傳統(tǒng)醫(yī)生診斷存在診斷識別速度慢、認知能力參差不齊、工作強度大等問題,可提高肺結節(jié)診斷識別精度,還可減少醫(yī)生工作量,輔助醫(yī)生進行診斷分析,其診斷結果具有客觀穩(wěn)定性,極大提高了診斷精度及工作效率。

    但將深度學習方法徹底應用于肺結節(jié)的臨床診斷識別尚存在一些問題[33]:①深度神經(jīng)網(wǎng)絡模型提取的肺結節(jié)特征不可見,這給分析不同特征的重要程度造成困難;②在有監(jiān)督的深度學習方法中,需要大量地訓練和測試樣本,以期得到較高的精確度,但醫(yī)學圖像往往涉及病患私密性等,增加了樣本的獲取難度;③深度學習訓練及測試時,由于運算量較大,因而對內(nèi)存、CPU及GPU等硬件要求高,且訓練及測試時間較長[34];④深度學習并不能完全取代人工,它必須依賴已有臨床專家標注的肺結節(jié)樣本,才能實現(xiàn)對新樣本的診斷和識別,而在肺癌診斷方面,由于患者個體差異,一般并不能完全保證所取樣本的全面性。

    根據(jù)2016年國家科技部“精準醫(yī)學研究”重點專項項目研發(fā)計劃[35]以及《2018年醫(yī)療人工智能技術與應用白皮書》,再結合目前醫(yī)療改革趨勢可知,在醫(yī)學影像學領域,不僅僅是在肺結節(jié)診斷識別中,深度學習在很多領域的應用將更加深入;并且,隨著深度學習方法的日趨完善,采用遷移學習及弱監(jiān)督學習[36-38], 有效結合無監(jiān)督預訓練和監(jiān)督學習的優(yōu)點進行肺結節(jié)診斷識別,可充分利用大量未標注數(shù)據(jù)以保證樣本的全面性??梢灶A測,采用深度學習方法實現(xiàn)肺結節(jié)的輔助臨床診斷識別將成為現(xiàn)實。

    參考文獻:

    [1] 周清華,范亞光,王穎,等. 中國肺癌低劑量螺旋CT篩查指南(2018 年版)[J]. ?Chinese Journal of Lung Cancer,2018,21(2):67.

    [2] NETTO S M B, SILVA A C, NUNES R A, et al. Automatic segmentation of lung nodules with growing neural gas and support vector machine[J]. Computers in biology and medicine,2012, 42(11): 1110-1121.

    [3] 鄭光遠,劉峽壁,韓光輝. 醫(yī)學影像計算機輔助檢測與診斷系統(tǒng)綜述[J]. 軟件學報, 2018, 29(5): 1471-1514.

    [4] 聶貞慧,劉麗東,蘇丹柯. 基于深度學習的X線診斷乳腺癌研究進展[J]. 中國醫(yī)學影像技術,2019,35(5): 774-777.

    [5] 陳詩慧,劉維湘,秦璟,等. 基于深度學習和醫(yī)學圖像的癌癥計算機輔助診斷研究進展[J]. 生物醫(yī)學工程學雜志,2017,34(2):314-319.

    [6] KOMMRUSCH S,POUCHET L N. Synthetic lung nodule 3D image generation using autoencoders[J]. ?arXiv preprint arXiv:1811.07999, 2018.

    [7] AFFONSO C,ROSSI A L D,VIEIRA F H A,et al. Deep learning for biological image classification[J]. Expert Systems with Applications,2017,85:114-122.

    [8] 劉飛,張俊然,楊豪. 基于深度學習的醫(yī)學圖像識別研究進展[J]. 中國生物醫(yī)學工程學報, 2018,37(1):86-94.

    [9] 蕭毅,夏晨,張榮國,等. 人工智能技術在醫(yī)學影像中的應用討論[J]. 第二軍醫(yī)大學學報, 2018,39(8):813-818.

    [10] SERJ M F,LAVI B,HOFF G,et al. A deep convolutional neural network for lung cancer diagnostic[J]. arXiv Preprint arXiv:1804. 08170, 2018.

    [11] LASHARI S A, IBRAHIM R. A framework for medical images classification using soft set[J]. Procedia Technology,2013,11:548-556.

    [12] LITJENS G,KOOI T,BEJNORDI B E,et al. A survey on deep learning in medical image analysis[J]. Medical Image Analysis,2017,42:60-88.

    [13] LUNDERVOLD A S, LUNDERVOLD A. An overview of deep learning in medical imaging focusing on MRI[J]. Zeitschrift für Medizinische Physik,2019,29(2):102-127.

    [14] KURUVILLA J,GUNAVATHI K. Lung cancer classification using neural networks for CT images[J]. Computer Methods and Programs in Biomedicine,2014,113(1):202-209.

    [15] LECUN Y,BENGIO Y,HINTON G. Deep learning[J]. Nature,2015,521(7553):436.

    [16] SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural networks, 2015,61:85-117.

    [17] HINTON G E,SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science,2006,313(5786):504-507.

    [18] ACKLEY D H,HINTON G E,SEJNOWSKI T J. A learning algorithm for boltzmann machines[J].Cognitive Science,1985,9(1):147-169.

    [19] HINTON G E,OSINDERO S,TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation,2006,18(7):1527-1554.

    [20] LAI M.Deep learning for medical image segmentation[DB/OL]. arXiv Preprint arXiv:1505.02000, 2015.

    [21] LAI Z F,DENG H F.Medical image classification based on deep features extracted by deep model and statistic feature fusion with multilayer perceptron[J]. Computational Intelligence and Neuroscience,2018.

    [22] CAUSEY J L,ZHANG J,MA S,et al. Highly accurate model for prediction of lung nodule malignancy with CT scans[R]. Scientific Reports,2018-06-18.

    [23] DE BRUIJNE M. Machine learning approaches in medical image analysis: From detection to diagnosis[J]. Medical Image Analysis,2016,33(11):94-97.

    [24] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. Imagenet classification with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems,2012:1097-1105.

    [25] FROZ B R,DE CARVALHO FILHO A O,SILVA A C, et al. Lung nodule classification using artificial crawlers, directional texture and support vector machine[J]. Expert Systems with Applications,2017,69:176-188.

    [26] 楊佳玲,趙涓涓,強彥,等. 基于深度信念網(wǎng)絡的肺結節(jié)良惡性分類[J]. 科學技術與工程,2016(32):69-74.

    [27] JACOBS C,VAN RIKXOORT E M,TWELLMANN T,et al. Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images[J]. Medical Image Analysis,2014,18(2):374-384.

    [28] SONG Q Z,ZHAO L,LUO X K,et al. Using deep learning for classification of lung nodules on computed tomography images[J]. Journal of Healthcare Engineering,2017(8):1-7.

    [29] SHEN W,ZHOU M,YANG F,et al. Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification[J]. ?Pattern Recognition,2017,61: 663-673.

    [30] DEY R,LU Z,HONG Y.D iagnostic classification of lung nodules using 3D neural networks[C]. 2018 IEEE 15th International Symposium on Biomedical Imaging,2018:774-778.

    [31] 苗光,李朝鋒. 二維和三維卷積神經(jīng)網(wǎng)絡相結合的CT圖像肺結節(jié)檢測方法[J]. 激光與光電子學進展,2018,55(5):051006.

    [32] ALOM M Z,HASAN M,YAKOPCIC C,et al. Recurrent residual convolutional neural network based on u-net (R2U-net) for medical image segmentation[DB/OL]. https://arxiv.org/ftp/arxiv/papers/1802/1802.06955.pdf.

    [33] RAZZAK M I,NAZ S, ZAIB A. Classification in BioApps:deep learning for medical image processing: overview, challenges and the future[M]. Heidelberg: Springer,2018.

    [34] 竇瑞欣. 深度學習算法在醫(yī)學影像學中的應用及研究進展[J]. 中國醫(yī)學計算機成像雜志, 2018,24(5): 369-372.

    [35] 田娟秀,劉國才,谷珊珊,等. 醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J]. 自動化學報, 2018,44(3):401-424.

    [36] TAJBAKHSH N,SHIN J Y,GURUDU S R,et al. Convolutional neural networks for medical image analysis: full training or fine tuning[J]. IEEE transactions on medical imaging,2016,35(5):1299-1312.

    [37] KIM H E,HWANG S. Deconvolutional feature stacking for weakly-supervised semantic segmentation[DB/OL]. https://arxiv.org/pdf/1602.04984.pdf.

    [38] SHIN H C,ROTH H R,GAO M,et al.Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning[J]. IEEE Transactions on Medical Imaging,2016,35(5): 1285-1298.

    (責任編輯:孫 娟)

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡深度學習
    基于卷積神經(jīng)網(wǎng)絡溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡的物體識別算法
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    MOOC與翻轉課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡的樹葉識別的算法的研究
    国产成人a区在线观看| 亚洲成人中文字幕在线播放| 国产成年人精品一区二区| 美女xxoo啪啪120秒动态图| 在线观看午夜福利视频| 99久国产av精品| 亚洲三级黄色毛片| 身体一侧抽搐| 国产精品人妻久久久影院| 日日摸夜夜添夜夜爱| 麻豆乱淫一区二区| 亚洲中文日韩欧美视频| 精品人妻偷拍中文字幕| 变态另类丝袜制服| 国产欧美日韩一区二区精品| 国产aⅴ精品一区二区三区波| 欧美+日韩+精品| 男女啪啪激烈高潮av片| 变态另类丝袜制服| 欧美色视频一区免费| av黄色大香蕉| 全区人妻精品视频| 久久精品国产清高在天天线| 欧美xxxx黑人xx丫x性爽| 麻豆av噜噜一区二区三区| 国产欧美日韩精品一区二区| 国产高潮美女av| 亚洲综合色惰| 99久久无色码亚洲精品果冻| 最新在线观看一区二区三区| 国产在线男女| 亚洲精品一卡2卡三卡4卡5卡| 国产爱豆传媒在线观看| 综合色av麻豆| 女人被狂操c到高潮| 午夜精品一区二区三区免费看| h日本视频在线播放| 少妇人妻一区二区三区视频| av在线天堂中文字幕| 日韩 亚洲 欧美在线| 欧美一级a爱片免费观看看| av天堂中文字幕网| 色综合亚洲欧美另类图片| 亚洲av熟女| 男人狂女人下面高潮的视频| 看免费成人av毛片| 久久国产乱子免费精品| 观看美女的网站| 桃色一区二区三区在线观看| 欧美日本视频| 亚洲精品日韩av片在线观看| 91久久精品国产一区二区成人| 干丝袜人妻中文字幕| 欧美日本视频| av在线观看视频网站免费| 综合色av麻豆| 成年免费大片在线观看| 黄色一级大片看看| 国产伦精品一区二区三区视频9| 精品免费久久久久久久清纯| 亚洲精品456在线播放app| av在线亚洲专区| 欧美又色又爽又黄视频| 日韩欧美免费精品| 特大巨黑吊av在线直播| 欧美最新免费一区二区三区| 国产精品,欧美在线| 麻豆精品久久久久久蜜桃| 亚洲三级黄色毛片| 亚洲精品日韩在线中文字幕 | av免费在线看不卡| 麻豆国产av国片精品| 免费观看精品视频网站| 久久精品人妻少妇| 成人特级av手机在线观看| 亚洲成人久久爱视频| 国产av麻豆久久久久久久| 99久久久亚洲精品蜜臀av| 亚洲国产欧洲综合997久久,| 日韩亚洲欧美综合| 亚洲精华国产精华液的使用体验 | 淫秽高清视频在线观看| 久久草成人影院| 欧美日韩国产亚洲二区| 亚洲中文字幕日韩| 国产高潮美女av| 村上凉子中文字幕在线| 国产三级在线视频| 香蕉av资源在线| 久久精品综合一区二区三区| 69av精品久久久久久| 国产欧美日韩一区二区精品| 国产v大片淫在线免费观看| 又黄又爽又刺激的免费视频.| 亚洲中文日韩欧美视频| 国产亚洲精品久久久久久毛片| 亚洲精品在线观看二区| 日日撸夜夜添| 国产精品精品国产色婷婷| 久久午夜亚洲精品久久| 高清毛片免费看| 午夜日韩欧美国产| 日韩欧美精品v在线| 狠狠狠狠99中文字幕| 亚洲av不卡在线观看| 国产精品国产高清国产av| 深夜a级毛片| 亚洲aⅴ乱码一区二区在线播放| 亚洲av不卡在线观看| 国语自产精品视频在线第100页| 九九久久精品国产亚洲av麻豆| 一级毛片我不卡| av黄色大香蕉| 1000部很黄的大片| 日本爱情动作片www.在线观看 | 久久精品国产清高在天天线| 久久午夜亚洲精品久久| 搞女人的毛片| 色吧在线观看| 精品一区二区三区视频在线| 国产探花极品一区二区| avwww免费| 一级毛片我不卡| 亚洲三级黄色毛片| 亚洲精品成人久久久久久| 99国产精品一区二区蜜桃av| 亚洲在线观看片| 欧美一区二区精品小视频在线| 综合色av麻豆| 久久精品国产鲁丝片午夜精品| 熟女电影av网| 最近视频中文字幕2019在线8| 欧美丝袜亚洲另类| 欧美激情久久久久久爽电影| 亚洲av成人av| 亚洲精品456在线播放app| 免费av不卡在线播放| 久久中文看片网| 亚洲国产色片| 色综合色国产| 亚洲精品色激情综合| 可以在线观看的亚洲视频| 日日摸夜夜添夜夜添av毛片| 亚洲精品成人久久久久久| 一边摸一边抽搐一进一小说| 久久久久免费精品人妻一区二区| 国产午夜精品久久久久久一区二区三区 | 天天躁日日操中文字幕| 一级毛片aaaaaa免费看小| 神马国产精品三级电影在线观看| 六月丁香七月| 中文字幕av在线有码专区| 91av网一区二区| 一边摸一边抽搐一进一小说| 国产在线男女| 3wmmmm亚洲av在线观看| 别揉我奶头~嗯~啊~动态视频| 国产精品不卡视频一区二区| 婷婷色综合大香蕉| 午夜福利视频1000在线观看| 国产伦一二天堂av在线观看| 亚洲综合色惰| 干丝袜人妻中文字幕| 三级男女做爰猛烈吃奶摸视频| 国产精品人妻久久久影院| 中文字幕精品亚洲无线码一区| 一个人看视频在线观看www免费| 搡女人真爽免费视频火全软件 | .国产精品久久| 国产高清视频在线观看网站| 欧美另类亚洲清纯唯美| 22中文网久久字幕| av在线播放精品| 国产aⅴ精品一区二区三区波| 亚洲激情五月婷婷啪啪| 欧美成人一区二区免费高清观看| 18+在线观看网站| 婷婷色综合大香蕉| 国产人妻一区二区三区在| 国产精品亚洲美女久久久| 日本 av在线| 男人和女人高潮做爰伦理| 国产亚洲精品综合一区在线观看| 亚洲美女视频黄频| 一级黄片播放器| 成年版毛片免费区| 日韩强制内射视频| 观看免费一级毛片| 久久国产乱子免费精品| 亚洲成人久久爱视频| 成人高潮视频无遮挡免费网站| 国产私拍福利视频在线观看| 久久久国产成人精品二区| 国产熟女欧美一区二区| 午夜亚洲福利在线播放| 可以在线观看毛片的网站| 欧美日韩在线观看h| 日韩欧美精品免费久久| 特级一级黄色大片| 亚洲内射少妇av| 特大巨黑吊av在线直播| 久久精品人妻少妇| 久久久久九九精品影院| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲av成人av| 亚洲图色成人| 三级国产精品欧美在线观看| 18禁在线播放成人免费| 成人综合一区亚洲| 搡女人真爽免费视频火全软件 | 夜夜看夜夜爽夜夜摸| 丰满乱子伦码专区| 一本精品99久久精品77| 村上凉子中文字幕在线| 男插女下体视频免费在线播放| 午夜视频国产福利| 免费av毛片视频| 日韩 亚洲 欧美在线| 看十八女毛片水多多多| 乱人视频在线观看| 免费观看精品视频网站| 婷婷六月久久综合丁香| 一级av片app| 国产精品久久久久久久电影| 噜噜噜噜噜久久久久久91| 国产精品久久电影中文字幕| 国产高清视频在线播放一区| 女人十人毛片免费观看3o分钟| 国内精品久久久久精免费| 成年女人看的毛片在线观看| 国产精品,欧美在线| 久久久久久大精品| 美女cb高潮喷水在线观看| 亚洲国产精品国产精品| 国产精品一区二区三区四区免费观看 | 亚洲无线在线观看| 能在线免费观看的黄片| 亚洲在线观看片| 麻豆久久精品国产亚洲av| 99热只有精品国产| 在线观看午夜福利视频| 国产又黄又爽又无遮挡在线| 国产成人精品久久久久久| 亚洲自偷自拍三级| 久久国内精品自在自线图片| 精品久久久噜噜| 97碰自拍视频| 免费大片18禁| 欧美成人免费av一区二区三区| 欧美最新免费一区二区三区| 亚洲av成人av| 99热这里只有是精品在线观看| 人妻制服诱惑在线中文字幕| 香蕉av资源在线| 国产成人aa在线观看| 一个人看视频在线观看www免费| 99久久精品热视频| 亚洲国产精品成人久久小说 | 两性午夜刺激爽爽歪歪视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 两个人视频免费观看高清| 九九爱精品视频在线观看| av天堂中文字幕网| 丰满的人妻完整版| 日本免费a在线| 国产精品久久久久久久久免| 国产成人一区二区在线| 无遮挡黄片免费观看| 亚洲av一区综合| 麻豆av噜噜一区二区三区| 日韩,欧美,国产一区二区三区 | 一级毛片aaaaaa免费看小| 日本免费一区二区三区高清不卡| 狂野欧美激情性xxxx在线观看| 国产麻豆成人av免费视频| 亚洲欧美成人精品一区二区| 最好的美女福利视频网| 免费大片18禁| 人妻丰满熟妇av一区二区三区| 欧美bdsm另类| 欧美中文日本在线观看视频| 97碰自拍视频| 久99久视频精品免费| 三级经典国产精品| 两个人视频免费观看高清| 国产在线男女| 精品久久国产蜜桃| 成人综合一区亚洲| 深夜精品福利| 国产综合懂色| 高清日韩中文字幕在线| 欧美高清性xxxxhd video| 国产三级在线视频| 51国产日韩欧美| 欧美日韩一区二区视频在线观看视频在线 | 国产精品,欧美在线| 精品午夜福利视频在线观看一区| 日韩av不卡免费在线播放| 男人的好看免费观看在线视频| 久久久久国产网址| 国产精品女同一区二区软件| 午夜日韩欧美国产| 亚洲国产欧美人成| 午夜精品一区二区三区免费看| 亚洲欧美成人综合另类久久久 | 欧美xxxx性猛交bbbb| 亚洲精品一卡2卡三卡4卡5卡| 在线观看美女被高潮喷水网站| 欧美最黄视频在线播放免费| 亚洲熟妇中文字幕五十中出| 观看免费一级毛片| 亚洲av.av天堂| 亚洲av不卡在线观看| 欧美日本亚洲视频在线播放| 精品无人区乱码1区二区| 国产免费一级a男人的天堂| 中国美女看黄片| 看免费成人av毛片| 女人十人毛片免费观看3o分钟| 国产午夜精品论理片| 欧美一区二区国产精品久久精品| a级一级毛片免费在线观看| 国产成年人精品一区二区| 国产av一区在线观看免费| avwww免费| 欧美成人免费av一区二区三区| 亚洲成人精品中文字幕电影| 又爽又黄无遮挡网站| 亚洲精品亚洲一区二区| 韩国av在线不卡| 天天躁夜夜躁狠狠久久av| 99久国产av精品国产电影| 精品不卡国产一区二区三区| 日韩高清综合在线| 免费观看在线日韩| 好男人在线观看高清免费视频| 欧美区成人在线视频| 性插视频无遮挡在线免费观看| 黄色配什么色好看| 欧美激情在线99| 欧美绝顶高潮抽搐喷水| 天美传媒精品一区二区| 亚洲无线观看免费| 美女xxoo啪啪120秒动态图| 亚洲成av人片在线播放无| 丰满乱子伦码专区| 中国美白少妇内射xxxbb| 亚洲最大成人av| 看黄色毛片网站| 久久久久久久午夜电影| 国产精品人妻久久久久久| 成人特级av手机在线观看| 真人做人爱边吃奶动态| a级毛片a级免费在线| 成人欧美大片| 亚洲最大成人av| 午夜日韩欧美国产| 深爱激情五月婷婷| 国产免费男女视频| av在线播放精品| 国内精品一区二区在线观看| 国产精品久久久久久av不卡| 午夜激情欧美在线| 久久欧美精品欧美久久欧美| 日本黄色片子视频| 精品久久久久久久久亚洲| 一级av片app| 深夜a级毛片| 又爽又黄无遮挡网站| 精品人妻视频免费看| 亚洲精品456在线播放app| 亚洲国产高清在线一区二区三| 99在线人妻在线中文字幕| 亚洲国产精品国产精品| 神马国产精品三级电影在线观看| 99久久无色码亚洲精品果冻| 99久久成人亚洲精品观看| 菩萨蛮人人尽说江南好唐韦庄 | 波多野结衣高清无吗| 高清毛片免费观看视频网站| 成人亚洲欧美一区二区av| 性色avwww在线观看| 大香蕉久久网| 少妇猛男粗大的猛烈进出视频 | 超碰av人人做人人爽久久| 美女高潮的动态| 国产精品野战在线观看| 婷婷色综合大香蕉| 嫩草影院入口| 一本精品99久久精品77| 亚洲精品一区av在线观看| 日日摸夜夜添夜夜爱| av专区在线播放| 美女大奶头视频| 嫩草影院入口| 久久久久久久久中文| 男人舔女人下体高潮全视频| 在线免费十八禁| 97超碰精品成人国产| 国产高清激情床上av| 久久99热6这里只有精品| 精品福利观看| 午夜福利视频1000在线观看| 国产视频一区二区在线看| 春色校园在线视频观看| 夜夜看夜夜爽夜夜摸| 日韩亚洲欧美综合| 亚洲第一区二区三区不卡| 麻豆成人午夜福利视频| 永久网站在线| 午夜爱爱视频在线播放| 亚洲精品一区av在线观看| 美女 人体艺术 gogo| 午夜福利在线在线| 午夜激情福利司机影院| 国产男靠女视频免费网站| 乱系列少妇在线播放| 波多野结衣高清无吗| 日韩 亚洲 欧美在线| 午夜福利在线在线| 少妇熟女欧美另类| www日本黄色视频网| 国产69精品久久久久777片| www日本黄色视频网| 久久精品国产99精品国产亚洲性色| 欧美日韩精品成人综合77777| 啦啦啦啦在线视频资源| 婷婷六月久久综合丁香| 午夜福利成人在线免费观看| 高清日韩中文字幕在线| 国产精品野战在线观看| 国国产精品蜜臀av免费| 久久亚洲国产成人精品v| 色综合站精品国产| 久久鲁丝午夜福利片| 亚洲av一区综合| 免费无遮挡裸体视频| 搡老妇女老女人老熟妇| 国产老妇女一区| 91久久精品国产一区二区成人| 亚洲人成网站在线播放欧美日韩| 色播亚洲综合网| 免费看光身美女| 午夜福利在线观看吧| 亚洲国产精品合色在线| 日本免费a在线| 欧美人与善性xxx| 一个人观看的视频www高清免费观看| 欧美人与善性xxx| 毛片一级片免费看久久久久| 国产免费男女视频| 日韩高清综合在线| 在线观看av片永久免费下载| 非洲黑人性xxxx精品又粗又长| 色在线成人网| 成人鲁丝片一二三区免费| 日韩精品有码人妻一区| 亚洲人成网站在线播| 亚洲精品成人久久久久久| 国产在视频线在精品| 色综合亚洲欧美另类图片| 大又大粗又爽又黄少妇毛片口| 亚州av有码| 老师上课跳d突然被开到最大视频| 波多野结衣高清作品| 日本一本二区三区精品| 91久久精品国产一区二区三区| 天堂av国产一区二区熟女人妻| 一个人观看的视频www高清免费观看| 国产成人a∨麻豆精品| 少妇的逼水好多| 成人国产麻豆网| 夜夜夜夜夜久久久久| 色哟哟哟哟哟哟| 日本爱情动作片www.在线观看 | 伊人久久精品亚洲午夜| 久久婷婷人人爽人人干人人爱| 最后的刺客免费高清国语| 亚洲av成人精品一区久久| 日韩一本色道免费dvd| 俄罗斯特黄特色一大片| 亚洲第一电影网av| av在线蜜桃| 日韩强制内射视频| 亚洲欧美精品综合久久99| av天堂中文字幕网| 九色成人免费人妻av| 简卡轻食公司| 三级经典国产精品| 99久久中文字幕三级久久日本| 国产人妻一区二区三区在| 中文资源天堂在线| 欧美日韩精品成人综合77777| 亚洲精品久久国产高清桃花| 国产成人a区在线观看| 又粗又爽又猛毛片免费看| 午夜亚洲福利在线播放| 又爽又黄无遮挡网站| 免费在线观看影片大全网站| 黄色视频,在线免费观看| 干丝袜人妻中文字幕| 亚洲av二区三区四区| 天堂动漫精品| 桃色一区二区三区在线观看| 成人高潮视频无遮挡免费网站| 精品乱码久久久久久99久播| 1024手机看黄色片| 尾随美女入室| 久久这里只有精品中国| 久久久色成人| 伦精品一区二区三区| 亚洲国产欧美人成| 国产亚洲精品综合一区在线观看| 我的女老师完整版在线观看| 精品人妻一区二区三区麻豆 | 嫩草影院新地址| 中文字幕久久专区| 黑人高潮一二区| 少妇人妻精品综合一区二区 | 久久6这里有精品| 日日摸夜夜添夜夜添av毛片| 免费观看人在逋| 18+在线观看网站| 午夜亚洲福利在线播放| av在线亚洲专区| 香蕉av资源在线| av在线老鸭窝| 在线观看一区二区三区| 性欧美人与动物交配| 小说图片视频综合网站| 国产精品精品国产色婷婷| 又黄又爽又刺激的免费视频.| 久久精品国产自在天天线| 国产色婷婷99| 亚洲精品色激情综合| 国产精品久久电影中文字幕| 麻豆国产97在线/欧美| 亚洲精华国产精华液的使用体验 | 国产日本99.免费观看| 天天躁夜夜躁狠狠久久av| 最后的刺客免费高清国语| 午夜视频国产福利| 联通29元200g的流量卡| 国产真实伦视频高清在线观看| 午夜老司机福利剧场| 天天一区二区日本电影三级| 综合色av麻豆| 国产午夜精品论理片| 成年女人永久免费观看视频| av在线老鸭窝| 在线观看一区二区三区| 别揉我奶头~嗯~啊~动态视频| 在线观看免费视频日本深夜| 在线观看美女被高潮喷水网站| 欧美潮喷喷水| a级毛片免费高清观看在线播放| 精品久久久久久久久久免费视频| av免费在线看不卡| 亚洲av成人精品一区久久| 久久久成人免费电影| 老司机福利观看| 国产伦精品一区二区三区视频9| 啦啦啦啦在线视频资源| 亚洲精品在线观看二区| 久久久久九九精品影院| 免费观看在线日韩| 毛片女人毛片| 在线观看一区二区三区| 国产又黄又爽又无遮挡在线| 日韩成人av中文字幕在线观看 | 丰满人妻一区二区三区视频av| 人妻丰满熟妇av一区二区三区| 岛国在线免费视频观看| av.在线天堂| 国产精品伦人一区二区| 国产精品久久久久久精品电影| 国产欧美日韩精品一区二区| 我要看日韩黄色一级片| 国产熟女欧美一区二区| 三级毛片av免费| 久久99热这里只有精品18| 啦啦啦韩国在线观看视频| 美女内射精品一级片tv| av在线蜜桃| 别揉我奶头 嗯啊视频| 亚洲18禁久久av| 国产精品乱码一区二三区的特点| 久久国内精品自在自线图片| 国产不卡一卡二| 欧美一级a爱片免费观看看| 久久韩国三级中文字幕| 亚洲一区二区三区色噜噜| 亚洲美女搞黄在线观看 | 国产精品电影一区二区三区| 欧美日韩乱码在线| 一区二区三区高清视频在线| 性欧美人与动物交配| 色哟哟·www| 国产探花极品一区二区| 国产黄色视频一区二区在线观看 | 国产视频一区二区在线看| 成人av在线播放网站| 香蕉av资源在线| 赤兔流量卡办理| 给我免费播放毛片高清在线观看| 亚洲真实伦在线观看| 国产成人a区在线观看| 最近视频中文字幕2019在线8| 身体一侧抽搐| 免费看日本二区| 91久久精品国产一区二区三区| 亚洲色图av天堂| 免费看av在线观看网站| av免费在线看不卡| 大香蕉久久网|