• <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 ?

    用于肺炎圖像分類的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)方法

    2020-03-06 13:23:58雷印杰
    計(jì)算機(jī)應(yīng)用 2020年1期
    關(guān)鍵詞:分類深度模型

    鄧 棋,雷印杰,田 鋒

    (四川大學(xué) 電子信息學(xué)院,成都 610065)

    0 引言

    肺炎(Pneumonia)[1]作為一種危害人類健康的常見(jiàn)疾病,在0~5歲嬰幼兒以及65歲以上老年人的呼吸道疾病中尤為常見(jiàn),且致死率逐年升高。根據(jù)世界衛(wèi)生組織(World Health Organization,WHO)的統(tǒng)計(jì),僅在2015年,因肺炎導(dǎo)致的兒童死亡人數(shù)就達(dá)到了92萬(wàn)人,占全世界五歲以下兒童死亡人數(shù)的16%[2]。在中國(guó)2000—2010年5歲以下兒童死亡原因中,肺炎排在第2位[3]。我國(guó)每年約有250萬(wàn)例肺炎發(fā)生,12萬(wàn)5千人因肺炎死亡,在各種致死病因中占第5位[4],而由于老人年身體素質(zhì)和免疫系統(tǒng)能力下降,在我國(guó)患有肺炎的人群中,老年人所占的比例就達(dá)到了70%[5]。

    在傳統(tǒng)肺炎診斷過(guò)程中,肺炎影像的判斷主要依靠有經(jīng)驗(yàn)的醫(yī)生,但由于人工經(jīng)驗(yàn)的差別準(zhǔn)確率得不到保證[6]。隨著計(jì)算機(jī)與數(shù)字圖像處理技術(shù)的發(fā)展,計(jì)算機(jī)輔助診斷系統(tǒng)(Computer-Aided Diagnosis, CAD)[7]逐漸被引入臨床,并為放射科醫(yī)生判斷CT圖像提供參考意見(jiàn)。針對(duì)肺炎影像的自動(dòng)識(shí)別問(wèn)題,中外學(xué)者們提出了許多不同的方法。岳路等[8]利用決策樹算法對(duì)200例小兒肺炎進(jìn)行分類,取得了準(zhǔn)確率80%的成績(jī)。決策樹(Decision Tree)[9]是一種經(jīng)典的機(jī)器學(xué)習(xí)分類方法,通過(guò)樹形結(jié)構(gòu)完成類型劃分。決策樹算法的優(yōu)點(diǎn)是算法簡(jiǎn)單易于理解,可處理多種不同類型的分類問(wèn)題,但是當(dāng)數(shù)據(jù)量過(guò)大,容易產(chǎn)生過(guò)擬合問(wèn)題,同時(shí),在面對(duì)復(fù)雜數(shù)據(jù)時(shí)分類效果不是太好。Jun等[10]利用支持向量機(jī)(Support Vector Machine, SVM)算法[11]對(duì)間質(zhì)性肺炎與非特異性肺炎進(jìn)行分類,與放射科醫(yī)生分類結(jié)果進(jìn)行比較,準(zhǔn)確率相差在5%~6%。邵欣蔚[12]也利用SVM算法對(duì)兒童社區(qū)獲得性肺炎(Community Acquired Pneumonia, CAP)進(jìn)行分類,在早期診斷問(wèn)題上取得了準(zhǔn)確率90%的良好效果。SVM算法作為一種優(yōu)秀的機(jī)器學(xué)習(xí)方法,利用高維映射解決了許多線性不可分問(wèn)題,在圖像、文本信息分類等方面取得了十分良好的效果,但當(dāng)數(shù)據(jù)量過(guò)大時(shí)常常導(dǎo)致模型計(jì)算量過(guò)大、效率降低,魯棒性與準(zhǔn)確率得不到保證。近年來(lái),隨著人工智能和大數(shù)據(jù)應(yīng)用的發(fā)展,計(jì)算機(jī)輔助診斷技術(shù)越來(lái)越多地被應(yīng)用到臨床。隨著深度學(xué)習(xí)(Deep Learning)[13]這一概念的興起,一大批以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)[14]為代表的深度學(xué)習(xí)方法開始出現(xiàn)。劉長(zhǎng)征等[15]利用一個(gè)7層的卷積神經(jīng)網(wǎng)絡(luò)對(duì)400例肺炎患者的CT影像進(jìn)行分類,識(shí)別準(zhǔn)確率比SVM算法提高了5.7%。由于卷積神經(jīng)網(wǎng)絡(luò)“自主”學(xué)習(xí)的特性,避免了機(jī)器學(xué)習(xí)中人工提取圖像特征的局限性,大幅度提高了識(shí)別準(zhǔn)確率。為進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率,通常的做法是增大數(shù)據(jù)集、增加神經(jīng)網(wǎng)絡(luò)層數(shù)。Rajpurkar等[16]提出一種121層的卷積神經(jīng)網(wǎng)絡(luò),在總量為112 120張帶標(biāo)記的肺部X光圖像數(shù)據(jù)集ChestX-ray14上進(jìn)行訓(xùn)練,在檢測(cè)14種不同肺部疾病過(guò)程中,有11種取得了與放射科醫(yī)生相似或更優(yōu)的表現(xiàn)。

    雖然通過(guò)增加網(wǎng)絡(luò)層數(shù)獲得了更加優(yōu)異的分類效果,但是相應(yīng)網(wǎng)絡(luò)參數(shù)數(shù)量比淺層網(wǎng)絡(luò)增加了幾十甚至幾百倍,內(nèi)存占用也由幾十兆提升至幾百甚至上千兆,對(duì)系統(tǒng)資源的占用比淺層網(wǎng)絡(luò)提高了很多。深度神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)性能較高的要求,給客戶端部署造成了很大的阻礙,而采用淺層網(wǎng)絡(luò)的訓(xùn)練結(jié)果往往不能夠達(dá)到實(shí)際應(yīng)用的要求。

    針對(duì)以上的問(wèn)題,本文提出一種基于知識(shí)蒸餾(Knowledge Distillation)方法[17]優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò),在減少系統(tǒng)資源占用的同時(shí)提高網(wǎng)絡(luò)對(duì)于肺炎識(shí)別的能力。根據(jù)肺部CT圖像特點(diǎn),選擇AlexNet與InceptionV3模型。AlexNet模型在ILSVRC2012競(jìng)賽中獲得冠軍,在Top- 5錯(cuò)誤率上取得了15.3%的成績(jī);InceptionV3模型則在ILSVRC2014將Top- 5錯(cuò)誤率降到了4.2%。兩者相比,前者網(wǎng)絡(luò)深度為8層,而后者為159層。在訓(xùn)練時(shí)采用遷移學(xué)習(xí)(Transfer Learning)方法避免因訓(xùn)練集過(guò)小引起的過(guò)擬合問(wèn)題,將InceptionV3預(yù)訓(xùn)練模型作為Teacher Module,AlexNet模型作為Student Module,將前者的輸出作為后者訓(xùn)練的監(jiān)督信息,使訓(xùn)練完成后的AlexNet模型具有與InceptionV3模型相近的識(shí)別能力,同時(shí)減少對(duì)圖像處理器(Graphics Processing Unit, GPU)的占用。

    1 肺炎識(shí)別與網(wǎng)絡(luò)壓縮方法

    1.1 深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)

    深度學(xué)習(xí)相比傳統(tǒng)的簡(jiǎn)單學(xué)習(xí),其區(qū)別就在于前者可以通過(guò)一種多層的非線性結(jié)構(gòu)“自主”學(xué)習(xí),來(lái)表征數(shù)據(jù)的特征,而后者大多數(shù)需要人工提取特征信息,且因人工提取的特征往往不能很好地表征事物的本質(zhì),故學(xué)習(xí)效果難以提高。相比于簡(jiǎn)單學(xué)習(xí)常用的決策樹、SVM等方法,深度學(xué)習(xí)通過(guò)多層網(wǎng)絡(luò)結(jié)構(gòu)分層學(xué)習(xí)數(shù)據(jù)的特征,再單獨(dú)對(duì)每一層的分類信息進(jìn)行微調(diào),可以以簡(jiǎn)單結(jié)構(gòu)完成對(duì)復(fù)雜樣本的描述。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在圖像處理領(lǐng)域的成功應(yīng)用,作為一種具有深度結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò),一般由卷積層、池化層、全連接層與輸出層組成。相比于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò),兩者主要的區(qū)別就在于前者通過(guò)卷積核以及權(quán)值共享大幅度降低了參數(shù)數(shù)量與訓(xùn)練難度。再結(jié)合大量數(shù)據(jù)的訓(xùn)練,使卷積神經(jīng)網(wǎng)絡(luò)突破了傳統(tǒng)網(wǎng)絡(luò)的限制,在圖像處理領(lǐng)域取得了很大的進(jìn)展。

    1.2 肺炎分類網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

    針對(duì)任務(wù)特點(diǎn),本文首先比較了幾種目前較為流行的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu),如AlexNet[18]、VGG16[19]、ResNet18[20]、ResNet34[20]、InceptionV3[21]。它們?cè)阱e(cuò)誤率、參數(shù)數(shù)量、網(wǎng)絡(luò)深度等性能指標(biāo)的比較如表1所示。

    表1 各模型性能對(duì)比 Tab. 1 Performance comparison of different models

    可以看出,在評(píng)價(jià)識(shí)別準(zhǔn)確率指標(biāo)的參數(shù)Top- 1錯(cuò)誤率上,InceptionV3模型比其他模型具有較大的優(yōu)勢(shì)。其錯(cuò)誤率比AlexNet模型減小了近1/2,比其他模型也有不同程度的下降。作為Google在2014年開發(fā)的GoogLeNet[22]模型基礎(chǔ)上改進(jìn)的版本,InceptionV3由5個(gè)卷積層、3個(gè)池化層、1個(gè)全連接層以及11個(gè)Inception模塊組成。由表1可以看出,雖然InceptionV3模型的網(wǎng)絡(luò)深度約為AlexNet模型的20倍,但得益于其Factorization操作,其參數(shù)數(shù)量比后者少了3 850萬(wàn)。在教師模型的選擇上,主要考慮的參數(shù)為模型的識(shí)別準(zhǔn)確率,因此本文選擇InceptionV3模型作為教師模型。

    在學(xué)生模型的選擇上,主要考慮模型的參數(shù)數(shù)量與計(jì)算量,參數(shù)數(shù)量對(duì)于內(nèi)存要求影響較大,計(jì)算量則對(duì)GPU運(yùn)算能力要求有較大影響。AlexNet作為上表中層數(shù)最淺的網(wǎng)絡(luò),是由加拿大多倫多大學(xué)教授Hinton等[18]在2012年提出的深度神經(jīng)網(wǎng)絡(luò)模型,通過(guò)5層卷積層與3層全連接層構(gòu)成。在計(jì)算量方面,AlexNet僅有InceptionV3模型的1/7,VGG16模型的1/21。雖然參數(shù)數(shù)量指標(biāo)上沒(méi)有特別的優(yōu)勢(shì),考慮到實(shí)際應(yīng)用場(chǎng)景中用戶端GPU運(yùn)算能力普遍較弱的情況,本文選用AlexNet模型作為學(xué)生模型。

    1.3 網(wǎng)絡(luò)模型壓縮

    在醫(yī)學(xué)影像分類領(lǐng)域,隨著深度學(xué)習(xí)的崛起,許多層數(shù)更深、結(jié)構(gòu)更加復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)開始在這一領(lǐng)域得到應(yīng)用。如Rajpurkar等[16]提出的121層神經(jīng)網(wǎng)絡(luò),Kermany等[23]提出的159層神經(jīng)網(wǎng)絡(luò)。一般來(lái)說(shuō),層數(shù)越多結(jié)構(gòu)越復(fù)雜的神經(jīng)網(wǎng)絡(luò),往往需要消耗更多的系統(tǒng)資源。知識(shí)蒸餾是由多倫多大學(xué)教授Hinton等[17]在2015年提出的一種知識(shí)遷移的技術(shù),常用于網(wǎng)絡(luò)模型壓縮。本文考慮實(shí)際應(yīng)用中用戶端計(jì)算機(jī)性能的限制,將知識(shí)蒸餾方法引入到醫(yī)學(xué)影像分類領(lǐng)域,在壓縮模型的同時(shí)提高模型的分類性能。

    本文選用兩個(gè)大小不同的模型,將結(jié)構(gòu)復(fù)雜、層數(shù)更深的InceptionV3模型作為教師模型(Teacher Module),結(jié)構(gòu)簡(jiǎn)單、層數(shù)更淺的AlexNet模型作為學(xué)生模型(Student Module),兩種模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2、表3所示。表2中編號(hào)為8~18層網(wǎng)絡(luò)結(jié)構(gòu)為InceptionV3模型特有的Inception模塊,每一個(gè)模塊由多個(gè)層數(shù)不同的卷積層構(gòu)成,所以有多個(gè)尺寸不同的卷積核存在。在表2、表3中的“—”符號(hào)表示該網(wǎng)絡(luò)層中沒(méi)有此參數(shù)。首先,單獨(dú)訓(xùn)練教師模型,取得較為理想的結(jié)果后固化其訓(xùn)練參數(shù);其次,訓(xùn)練學(xué)生模型,在訓(xùn)練過(guò)程中將教師模型的輸出除以參數(shù)T,再經(jīng)過(guò)softmax變換后作為參數(shù),傳遞給學(xué)生模型,起到提高后者的泛化與識(shí)別能力的作用。

    表2 教師模型網(wǎng)絡(luò)參數(shù) Tab. 2 Network parameters of teacher module

    表3 學(xué)生模型網(wǎng)絡(luò)參數(shù) Tab. 3 Network parameters of student module

    如圖1所示,先將教師模型InceptionV3的訓(xùn)練結(jié)果用溫度參數(shù)T“軟化”,再經(jīng)過(guò)softmax變換得到軟化后的概率分布—軟目標(biāo)(soft target),計(jì)算公式如下:

    (1)

    其中:qi為教師模型給出的每一類的可能性;zi為教師模型最后一層的神經(jīng)元;T為調(diào)節(jié)參數(shù);在軟目標(biāo)中包含了許多未標(biāo)記但對(duì)于分類十分有用的信息,因此通過(guò)提取教師模型中的軟目標(biāo)可以大幅度提高學(xué)生網(wǎng)絡(luò)的識(shí)別能力。

    圖1 知識(shí)蒸餾網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Network structure of knowledge distillation

    訓(xùn)練過(guò)程中,調(diào)節(jié)參數(shù)T的大小對(duì)訓(xùn)練結(jié)果有較大的影響,一般設(shè)置為大于0的整數(shù)。此處選擇1、10、20、30、40、50作為實(shí)驗(yàn)參數(shù),比較Student Module在參數(shù)T不同大小下的訓(xùn)練結(jié)果,如表4。可以看出,參數(shù)設(shè)為1時(shí),實(shí)驗(yàn)取得的準(zhǔn)確率、特異性以及靈敏度等性能指標(biāo)均優(yōu)于其他選項(xiàng),故之后的訓(xùn)練過(guò)程中,設(shè)置調(diào)節(jié)參數(shù)T的大小為1。

    表4 不同參數(shù)T的實(shí)驗(yàn)結(jié)果 Tab. 4 Experimental results with different parameter T

    在訓(xùn)練學(xué)生模型AlexNet時(shí)除了正常訓(xùn)練結(jié)果——硬目標(biāo)(hard target)外,同樣地采用上面的方法得到一個(gè)soft target。在計(jì)算損失函數(shù)時(shí)將兩者結(jié)合,計(jì)算公式如下:

    L=Lsoft

    (2)

    其中:L為訓(xùn)練學(xué)生模型最終使用的loss,Lsoft是使用溫度參數(shù)T軟化后的loss。在實(shí)驗(yàn)中,采用Lsoft作為最終訓(xùn)練學(xué)生模型的loss。

    1.4 分類過(guò)程

    訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)分類肺炎圖像時(shí)常常會(huì)有過(guò)擬合問(wèn)題,本文中為提高訓(xùn)練效果,降低過(guò)擬合現(xiàn)象發(fā)生的幾率,決定采用遷移學(xué)習(xí)[24]的方法,讓卷積模型由ImageNet數(shù)據(jù)集訓(xùn)練過(guò)后,保留訓(xùn)練參數(shù)并刪除原來(lái)的全連接層,在新建的全連接層上隨機(jī)初始化參數(shù)并訓(xùn)練。實(shí)驗(yàn)結(jié)果表明,采用遷移學(xué)習(xí)方法能夠有效地防止過(guò)擬合問(wèn)題。

    本文采用教師模型“教”學(xué)生模型的方法,讓學(xué)生模型學(xué)習(xí)教師模型的訓(xùn)練參數(shù),讓小網(wǎng)絡(luò)有了大網(wǎng)絡(luò)的識(shí)別能力,起到了模型壓縮的作用,訓(xùn)練整體流程如下。

    輸入:實(shí)驗(yàn)所用的數(shù)據(jù)集D。

    輸出:教師模型與學(xué)生模型的預(yù)測(cè)結(jié)果。

    1)將實(shí)驗(yàn)所用的數(shù)據(jù)集D中所有圖片合并,按一定的比例隨機(jī)分為訓(xùn)練集DTR、測(cè)試集DTE與驗(yàn)證集DVE。

    2)將訓(xùn)練集DTR、測(cè)試集DTE與驗(yàn)證集DVE中的圖片采用拉伸縮放的形式,縮放至適應(yīng)教師模型InceptionV3與學(xué)生模型AlexNet的大小。

    3)使用訓(xùn)練集DTR訓(xùn)練教師模型InceptionV3,使用驗(yàn)證集DVE與測(cè)試集DTE實(shí)時(shí)測(cè)量InceptionV3的分類性能并更新其參數(shù)。

    4)將訓(xùn)練好的教師模型參數(shù)固化,獲得其輸出Z。

    5)使用訓(xùn)練集DTR訓(xùn)練學(xué)生模型,在訓(xùn)練過(guò)程中將Z作為監(jiān)督信息用于loss計(jì)算,使用驗(yàn)證集DVE實(shí)時(shí)測(cè)量AlexNet的分類性能并更新其參數(shù)。

    6)將訓(xùn)練好的AlexNet模型參數(shù)固化,利用測(cè)試集DTE獲得相應(yīng)的預(yù)測(cè)結(jié)果。

    2 實(shí)驗(yàn)設(shè)計(jì)

    2.1 實(shí)驗(yàn)平臺(tái)

    實(shí)驗(yàn)在一臺(tái)桌面級(jí)高性能GPU工作站上進(jìn)行,運(yùn)行系統(tǒng)為L(zhǎng)inux,操作平臺(tái)為ubuntu 16.04。工作站配備一顆Intel Xeon E5- 1650 v4六核心處理器,主頻為3.6 GHz,內(nèi)存32 GB,GPU為Nvidia Geforce GTX 1080Ti,顯存11 GB。實(shí)驗(yàn)使用的深度學(xué)習(xí)框架為PyTorch,運(yùn)行平臺(tái)為JetBrains公司提供的Python語(yǔ)言開發(fā)工具Pycharm。PyTorch是由Facebook公司的研發(fā)團(tuán)隊(duì)開發(fā)的一款針對(duì)深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)編程的工具包,使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò),用戶可以方便地調(diào)用相關(guān)的函數(shù)工具包,而不需要自己編寫所有的實(shí)現(xiàn)算法,從而節(jié)省了大量時(shí)間,提高了學(xué)習(xí)效率。

    2.2 數(shù)據(jù)集及預(yù)處理

    實(shí)驗(yàn)采用的數(shù)據(jù)來(lái)自廣州市婦女兒童醫(yī)學(xué)中心,由醫(yī)學(xué)中心患者常規(guī)臨床檢測(cè)時(shí)拍攝的醫(yī)學(xué)影像組成,并由美國(guó)加州大學(xué)圣地亞哥分校研究員Daniel Kermany等在2018年發(fā)布于開源數(shù)據(jù)庫(kù)Mendeley。該數(shù)據(jù)集中包含了總量為5 856張的人體胸部X光照片,圖像格式為JPEG,數(shù)據(jù)分布情況如表5所示。

    表5 數(shù)據(jù)集成分分布 Tab. 5 Component distribution of datasets

    胸部X光照片作為肺炎診斷的重要依據(jù),照片的質(zhì)量對(duì)于診斷結(jié)果的影響很大,因此,數(shù)據(jù)集中的照片首先由有經(jīng)驗(yàn)的醫(yī)生初步篩選,得到質(zhì)量較為穩(wěn)定的圖像后,再由相關(guān)專家進(jìn)行人工標(biāo)記。數(shù)據(jù)集中的X光照片分為訓(xùn)練集與測(cè)試集,訓(xùn)練集的人工標(biāo)記由兩位肺部疾病專家完成。為避免因人工標(biāo)記造成的誤差,保證檢測(cè)效果,測(cè)試集的標(biāo)記由另一位專家完成。測(cè)試集與訓(xùn)練集X光照片的數(shù)量比例為約為1∶10,同時(shí)為滿足InceptionV3與AlexNet模型的輸入要求,采用拉伸縮放的方式,將X光照片的大小分別調(diào)整為299×299和224×224像素尺寸,如圖2所示。

    圖2 胸部X光圖像示例Fig. 2 Examples of chest X-ray images

    2.3 參數(shù)設(shè)置

    在實(shí)驗(yàn)過(guò)程中,訓(xùn)練InceptionV3模型采用遷移學(xué)習(xí)的方式,將全連接層的參數(shù)隨機(jī)初始化后開始訓(xùn)練。將學(xué)習(xí)率設(shè)置為5×10-3,并設(shè)置衰減率為0.9,每隔7個(gè)epoch衰減一次。分類函數(shù)使用softmax函數(shù),損失函數(shù)則使用交叉熵函數(shù)(Cross Entropy Loss),優(yōu)化方法采用隨機(jī)梯度下降(Stochastic Gradient Descent,SGD)算法。雖然常用的優(yōu)化方法為Adam,但它也有收斂過(guò)快難以達(dá)到最優(yōu)解的問(wèn)題。在本實(shí)驗(yàn)中經(jīng)過(guò)比較發(fā)現(xiàn),采用SGD能夠取得更優(yōu)的結(jié)果。在AlexNet模型訓(xùn)練過(guò)程中,將學(xué)習(xí)率設(shè)置為2×10-4,衰減率設(shè)為0.9,采用與InceptionV3模型相同的遷移學(xué)習(xí)方法。損失函數(shù)使用交叉熵函數(shù),分類函數(shù)使用softmax,優(yōu)化方法同樣采用隨機(jī)梯度下降算法。

    2.4 評(píng)價(jià)標(biāo)準(zhǔn)

    對(duì)于醫(yī)學(xué)影像分類,評(píng)價(jià)其性能的指標(biāo)一般有三個(gè),分別為準(zhǔn)確率(Accuracy,Acc)、特異性(Specificity)與靈敏度(Sensitivity)。準(zhǔn)確率即預(yù)測(cè)患者是否患有肺炎與實(shí)際結(jié)果之比,體現(xiàn)模型的預(yù)測(cè)能力;特異性又被稱為正陽(yáng)率(True Positive Rate,TPR),即將正?;颊哳A(yù)測(cè)為正常的概率,正陽(yáng)率越高則誤診的概率越低;靈敏度又被稱為正陰率(True Negative Rate,TNR),即將肺炎患者預(yù)測(cè)為患有肺炎的概率,正陰率越高則漏診的概率越低。

    計(jì)算準(zhǔn)確率(Acc)、特異性(TPR)與靈敏度(TNR)的公式如下:

    Acc=(TP+TN)/(TP+TN+FN+TN)

    (3)

    TPR=TP/(TP+FN)

    (4)

    TNR=TN/(FP+TN)

    (5)

    其中:TP、TN、FP、FN分別代表正陽(yáng)性、正陰性、假陽(yáng)性與假陰性。同時(shí),為了全面衡量?jī)?yōu)化前后的AlexNet以及InceptionV3模型的性能,采用的指標(biāo)還有顯存占用量、GPU使用率及訓(xùn)練時(shí)間。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)過(guò)程及結(jié)果

    針對(duì)分類任務(wù)特點(diǎn),實(shí)驗(yàn)首先比較了幾種較為流行的深度學(xué)習(xí)模型對(duì)本文所用數(shù)據(jù)集的識(shí)別準(zhǔn)確率及損失。其中,損失為交叉熵函數(shù)的輸出,主要體現(xiàn)預(yù)測(cè)值與真實(shí)值的概率分布情況。在訓(xùn)練過(guò)程中損失常常作為訓(xùn)練結(jié)果的參考,通常在0.02及以下時(shí)說(shuō)明分類器已經(jīng)取得了較好的訓(xùn)練效果。選取的模型有AlexNet、VGG16[19]、ResNet18[20]、ResNet34[20]、InceptionV3,在同一訓(xùn)練集與測(cè)試集下,它們的分類性能如表6所示。

    表6 各模型識(shí)別準(zhǔn)確率 Tab. 6 Recognition accuracy of each model

    經(jīng)過(guò)比較后發(fā)現(xiàn),具有inception結(jié)構(gòu)的InceptionV3模型在肺炎CT圖像分類上表現(xiàn)更加優(yōu)異。故本文選取了InceptionV3模型作為優(yōu)化方法中的Teacher Module,同時(shí)選取網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)單的AlexNet作為Student Module。在訓(xùn)練過(guò)程中,比較兩者對(duì)于系統(tǒng)資源的占用情況,如表7所示??梢钥闯觯c前者相比,AlexNet模型無(wú)論在顯存占用、GPU使用率還是訓(xùn)練時(shí)間上都更加具有優(yōu)勢(shì)。

    表7 AlexNet與InceptionV3模型系統(tǒng)資源占用情況 Tab. 7 Occupation of system resources of AlexNet and Inception V3 models

    訓(xùn)練結(jié)束后,比較由本文方法優(yōu)化后的AlexNet(以下稱AlexNet_S)與優(yōu)化前的AlexNet模型對(duì)肺炎CT圖像分類性能的差異,同時(shí)使用InceptionV3模型(表8中稱為Teacher Module)作為參考標(biāo)準(zhǔn)??梢钥闯?,優(yōu)化后的模型對(duì)肺炎的識(shí)別準(zhǔn)確率有了明顯的提高,在衡量模型性能的參數(shù)特異性與靈敏度上也有一定的提升。

    3.2 結(jié)果分析

    如表8所示,AlexNet_S模型與InceptionV3模型相比,前者作為Student Module,比后者節(jié)省了近一半的顯存,使其能夠更加靈活地部署在擁有不同大小顯存的計(jì)算機(jī)上;同時(shí),GPU使用率下降了51個(gè)百分點(diǎn),使Student Module能夠應(yīng)用于GPU計(jì)算能力較弱的計(jì)算機(jī)上,讓神經(jīng)網(wǎng)絡(luò)的可移植性大幅度提高。

    表8 優(yōu)化前后AlexNet模型性能對(duì)比 單位:% Tab. 8 Performance comparison of AlexNet model before and after optimization unit:%

    在衡量模型性能的指標(biāo)方面,如表8所示,AlexNet_S模型比未優(yōu)化的AlexNet模型在衡量模型分類能力的指標(biāo)準(zhǔn)確率上,前者比后者提高了4.1個(gè)百分點(diǎn),比InceptionV3模型提高了2.39個(gè)百分點(diǎn)。在肺炎診斷的過(guò)程中,及時(shí)發(fā)現(xiàn)及時(shí)治療對(duì)于患者最為有利,而靈敏度越高,模型對(duì)于肺炎判別的漏診率越低。AlexNet_S模型比AlexNet模型的靈敏度提高了1.97個(gè)百分點(diǎn),且與InceptionV3模型在靈敏度參數(shù)上性能相同。特異性作為衡量模型正確識(shí)別正?;颊吣芰Φ闹匾笜?biāo),特異性越高,模型對(duì)于肺炎判別的誤診率越低。在特異性這一指標(biāo)上,AlexNet_S模型比AlexNet模型提高了7.45個(gè)百分點(diǎn),比InceptionV3提高了6.41個(gè)百分點(diǎn)。

    綜合實(shí)驗(yàn)結(jié)果,可以看出通過(guò)知識(shí)蒸餾的方法能夠有效增強(qiáng)學(xué)生模型的識(shí)別能力,提高其分類性能。學(xué)生模型在特異性指標(biāo)上比原有模型大幅度提高,在識(shí)別準(zhǔn)確率以及靈敏度指標(biāo)上達(dá)到甚至超過(guò)教師模型。

    4 結(jié)語(yǔ)

    針對(duì)醫(yī)學(xué)影像分類特點(diǎn),本文提出了一種使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)肺炎CT圖像分類的方法。利用兩種結(jié)構(gòu)、深度不同的神經(jīng)網(wǎng)絡(luò)模型AlexNet與InceptionV3,使用知識(shí)蒸餾方法得到優(yōu)化后的模型AlexNet_S,在分類性能上接近甚至超過(guò)InceptionV3模型的同時(shí),大幅度降低了模型對(duì)系統(tǒng)資源的需求。在今后的工作中,進(jìn)一步提高教師模型的性能,同時(shí)減少學(xué)生模型對(duì)系統(tǒng)資源的需求可以作為未來(lái)研究的方向。

    猜你喜歡
    分類深度模型
    一半模型
    分類算一算
    深度理解一元一次方程
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    分類討論求坐標(biāo)
    深度觀察
    深度觀察
    深度觀察
    數(shù)據(jù)分析中的分類討論
    午夜免费激情av| 亚洲中文日韩欧美视频| 精品国产超薄肉色丝袜足j| 国产在线观看jvid| 精品国产乱码久久久久久男人| 久99久视频精品免费| 欧美一级毛片孕妇| 国产亚洲精品综合一区在线观看 | 叶爱在线成人免费视频播放| 三级毛片av免费| av天堂久久9| 老熟妇乱子伦视频在线观看| 国产野战对白在线观看| 视频区欧美日本亚洲| 欧美成狂野欧美在线观看| 亚洲男人的天堂狠狠| 亚洲欧美一区二区三区久久| 亚洲自拍偷在线| 欧美日本中文国产一区发布| 又大又爽又粗| 天堂影院成人在线观看| 97人妻天天添夜夜摸| 亚洲国产精品999在线| 久久香蕉国产精品| 欧美色视频一区免费| 多毛熟女@视频| 欧美激情久久久久久爽电影 | 国产av精品麻豆| 久99久视频精品免费| 成人18禁高潮啪啪吃奶动态图| 9热在线视频观看99| 亚洲国产精品999在线| 亚洲av日韩精品久久久久久密| 99riav亚洲国产免费| 大码成人一级视频| 午夜激情av网站| 一级a爱片免费观看的视频| 久久久久久久午夜电影 | 欧美av亚洲av综合av国产av| 国产成人精品久久二区二区91| 欧美中文日本在线观看视频| 一本大道久久a久久精品| 99国产极品粉嫩在线观看| 亚洲av成人av| 欧美日韩视频精品一区| 欧美最黄视频在线播放免费 | 亚洲精品中文字幕一二三四区| 国产极品粉嫩免费观看在线| 99精品在免费线老司机午夜| 少妇粗大呻吟视频| 久久久精品欧美日韩精品| 一区在线观看完整版| 精品一区二区三区av网在线观看| 精品一区二区三区视频在线观看免费 | 天堂中文最新版在线下载| 女人精品久久久久毛片| 不卡av一区二区三区| 村上凉子中文字幕在线| 男女之事视频高清在线观看| 精品欧美一区二区三区在线| 亚洲专区国产一区二区| 91麻豆精品激情在线观看国产 | 日韩免费av在线播放| 在线免费观看的www视频| 亚洲av熟女| 午夜精品在线福利| www.www免费av| 国产精品 国内视频| 亚洲国产欧美一区二区综合| 香蕉国产在线看| 色婷婷av一区二区三区视频| e午夜精品久久久久久久| 高清av免费在线| 人人妻人人添人人爽欧美一区卜| 色播在线永久视频| 亚洲精品一卡2卡三卡4卡5卡| 午夜视频精品福利| 亚洲全国av大片| 亚洲国产精品一区二区三区在线| 啪啪无遮挡十八禁网站| 欧美激情高清一区二区三区| 欧美色视频一区免费| e午夜精品久久久久久久| 99国产精品99久久久久| 色婷婷久久久亚洲欧美| 色哟哟哟哟哟哟| 一a级毛片在线观看| 宅男免费午夜| 欧美日韩乱码在线| cao死你这个sao货| 很黄的视频免费| 亚洲欧美激情在线| 久久久久久久久中文| 女性被躁到高潮视频| a级毛片在线看网站| 国产成人精品无人区| 国产av又大| 久久精品91无色码中文字幕| 大香蕉久久成人网| 亚洲人成电影免费在线| 日本wwww免费看| 一级片'在线观看视频| 人妻丰满熟妇av一区二区三区| 一区二区三区国产精品乱码| 色婷婷久久久亚洲欧美| 亚洲精品在线观看二区| 在线av久久热| 色综合欧美亚洲国产小说| 免费观看精品视频网站| 欧美+亚洲+日韩+国产| 国产精品自产拍在线观看55亚洲| 可以免费在线观看a视频的电影网站| 日韩国内少妇激情av| 天天躁狠狠躁夜夜躁狠狠躁| cao死你这个sao货| 最近最新中文字幕大全电影3 | 91av网站免费观看| 国产精品 欧美亚洲| 亚洲中文字幕日韩| 五月开心婷婷网| 99久久精品国产亚洲精品| 日韩国内少妇激情av| 国产xxxxx性猛交| 电影成人av| 国产成人av激情在线播放| 日本免费一区二区三区高清不卡 | 精品久久蜜臀av无| 久久久久久免费高清国产稀缺| 久久香蕉国产精品| 欧美丝袜亚洲另类 | 免费在线观看日本一区| 久久热在线av| 欧美乱色亚洲激情| 在线观看66精品国产| 亚洲va日本ⅴa欧美va伊人久久| 亚洲欧美精品综合一区二区三区| 村上凉子中文字幕在线| 亚洲黑人精品在线| 国产激情欧美一区二区| 亚洲成人免费av在线播放| 精品福利永久在线观看| 我的亚洲天堂| 国产男靠女视频免费网站| 久久中文字幕一级| 欧美久久黑人一区二区| 亚洲第一av免费看| 99香蕉大伊视频| 好看av亚洲va欧美ⅴa在| 成人三级黄色视频| 午夜免费激情av| 黄色怎么调成土黄色| 乱人伦中国视频| 国内毛片毛片毛片毛片毛片| www.熟女人妻精品国产| 97碰自拍视频| av网站免费在线观看视频| 久久人妻av系列| 日韩中文字幕欧美一区二区| 国产免费现黄频在线看| 欧美一级毛片孕妇| 国产视频一区二区在线看| 久久久水蜜桃国产精品网| 三级毛片av免费| 欧美乱色亚洲激情| 精品国产美女av久久久久小说| 国产色视频综合| 在线观看舔阴道视频| 天天影视国产精品| 中文欧美无线码| 欧美日韩国产mv在线观看视频| 精品一品国产午夜福利视频| 国产精品秋霞免费鲁丝片| 久久久久国产精品人妻aⅴ院| 午夜福利一区二区在线看| 久久香蕉激情| 在线十欧美十亚洲十日本专区| 精品人妻在线不人妻| 久久久国产成人免费| 男女高潮啪啪啪动态图| 亚洲欧美激情在线| 俄罗斯特黄特色一大片| 免费av中文字幕在线| 黄色 视频免费看| 在线永久观看黄色视频| 久久天躁狠狠躁夜夜2o2o| 法律面前人人平等表现在哪些方面| 91精品国产国语对白视频| 欧美在线黄色| 三级毛片av免费| 久久精品亚洲熟妇少妇任你| 啦啦啦 在线观看视频| 久久草成人影院| 午夜激情av网站| 日韩三级视频一区二区三区| 精品日产1卡2卡| 国产精品1区2区在线观看.| 久久国产精品男人的天堂亚洲| 老司机午夜十八禁免费视频| 丰满迷人的少妇在线观看| 日韩精品中文字幕看吧| 久久久久久免费高清国产稀缺| 天堂√8在线中文| 一边摸一边抽搐一进一小说| 99久久综合精品五月天人人| 精品国产乱子伦一区二区三区| 中文亚洲av片在线观看爽| 精品国产超薄肉色丝袜足j| avwww免费| 免费高清在线观看日韩| 欧美另类亚洲清纯唯美| 欧美最黄视频在线播放免费 | 麻豆久久精品国产亚洲av | 少妇 在线观看| 黄色女人牲交| 这个男人来自地球电影免费观看| 操美女的视频在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 国产伦一二天堂av在线观看| 变态另类成人亚洲欧美熟女 | 欧美老熟妇乱子伦牲交| 这个男人来自地球电影免费观看| 夫妻午夜视频| 精品久久久精品久久久| 国产高清激情床上av| 亚洲一码二码三码区别大吗| 国产欧美日韩一区二区精品| 两个人看的免费小视频| 亚洲五月色婷婷综合| 一a级毛片在线观看| 久久精品国产亚洲av高清一级| x7x7x7水蜜桃| 欧美最黄视频在线播放免费 | 99热只有精品国产| www.www免费av| 欧美中文日本在线观看视频| 日韩免费高清中文字幕av| 丁香欧美五月| 日本免费a在线| 国产成人欧美在线观看| 91九色精品人成在线观看| 好男人电影高清在线观看| 亚洲av成人av| 欧美日韩一级在线毛片| 午夜91福利影院| 午夜免费成人在线视频| 久久久久久大精品| 大香蕉久久成人网| 脱女人内裤的视频| 少妇 在线观看| 亚洲激情在线av| 色精品久久人妻99蜜桃| 成人18禁高潮啪啪吃奶动态图| 亚洲 欧美 日韩 在线 免费| 国产蜜桃级精品一区二区三区| 69av精品久久久久久| 精品午夜福利视频在线观看一区| 免费在线观看视频国产中文字幕亚洲| 女人高潮潮喷娇喘18禁视频| 国内毛片毛片毛片毛片毛片| 免费不卡黄色视频| 欧美人与性动交α欧美软件| 男人舔女人下体高潮全视频| 精品国产亚洲在线| 成人18禁高潮啪啪吃奶动态图| 在线观看免费高清a一片| 黄色 视频免费看| 18禁国产床啪视频网站| 亚洲五月婷婷丁香| 91老司机精品| 精品电影一区二区在线| 啦啦啦 在线观看视频| 日韩一卡2卡3卡4卡2021年| 欧美 亚洲 国产 日韩一| 80岁老熟妇乱子伦牲交| 亚洲五月婷婷丁香| 国产激情欧美一区二区| 18禁观看日本| 大陆偷拍与自拍| 高清av免费在线| 变态另类成人亚洲欧美熟女 | 亚洲国产欧美日韩在线播放| 亚洲精品中文字幕一二三四区| 精品国产乱子伦一区二区三区| 啦啦啦免费观看视频1| 如日韩欧美国产精品一区二区三区| a级毛片黄视频| 黄色视频,在线免费观看| 久久热在线av| 18禁国产床啪视频网站| 亚洲男人的天堂狠狠| www.自偷自拍.com| 操出白浆在线播放| 身体一侧抽搐| 夜夜爽天天搞| 国产成+人综合+亚洲专区| 亚洲熟妇中文字幕五十中出 | 久久久久久久午夜电影 | 香蕉丝袜av| 一级毛片高清免费大全| 他把我摸到了高潮在线观看| 久久草成人影院| ponron亚洲| 又大又爽又粗| 亚洲人成网站在线播放欧美日韩| 亚洲一码二码三码区别大吗| 老司机亚洲免费影院| 国产av精品麻豆| 黄色毛片三级朝国网站| 免费高清视频大片| xxx96com| 日韩欧美一区视频在线观看| 精品久久久久久成人av| 天天影视国产精品| 夜夜夜夜夜久久久久| 悠悠久久av| 男人的好看免费观看在线视频 | 在线观看免费午夜福利视频| 欧美一区二区精品小视频在线| 久久精品成人免费网站| 又紧又爽又黄一区二区| www.www免费av| 在线十欧美十亚洲十日本专区| 成人免费观看视频高清| 丁香六月欧美| 黄色视频不卡| 精品国内亚洲2022精品成人| 国产成年人精品一区二区 | 成人亚洲精品一区在线观看| 国产精品野战在线观看 | 无限看片的www在线观看| 一个人免费在线观看的高清视频| 一级毛片女人18水好多| 在线免费观看的www视频| 熟女少妇亚洲综合色aaa.| 国产成人系列免费观看| 99久久综合精品五月天人人| 精品久久久久久,| 国产国语露脸激情在线看| 老司机靠b影院| 午夜精品在线福利| 国产亚洲av高清不卡| 最近最新免费中文字幕在线| 9热在线视频观看99| 满18在线观看网站| 亚洲一区中文字幕在线| 一级片免费观看大全| 久久久久国产精品人妻aⅴ院| 天天添夜夜摸| 一区二区日韩欧美中文字幕| 欧美中文综合在线视频| 少妇被粗大的猛进出69影院| 日本三级黄在线观看| 国产精品久久久av美女十八| 精品久久蜜臀av无| 男女下面进入的视频免费午夜 | 老鸭窝网址在线观看| 欧美 亚洲 国产 日韩一| 中文字幕另类日韩欧美亚洲嫩草| 欧美乱色亚洲激情| 久久中文字幕一级| 久久精品亚洲熟妇少妇任你| 亚洲aⅴ乱码一区二区在线播放 | 99热国产这里只有精品6| 老熟妇仑乱视频hdxx| 国产精品 国内视频| 成年版毛片免费区| 久久久久久久久久久久大奶| 一级黄色大片毛片| 两性夫妻黄色片| 亚洲精品国产区一区二| 亚洲人成电影免费在线| 婷婷精品国产亚洲av在线| 国产熟女午夜一区二区三区| 久久人人97超碰香蕉20202| 国产精品美女特级片免费视频播放器 | 欧美一区二区精品小视频在线| 久久精品亚洲av国产电影网| 丝袜在线中文字幕| 三级毛片av免费| 每晚都被弄得嗷嗷叫到高潮| 国产成人一区二区三区免费视频网站| 久久人人97超碰香蕉20202| 精品国产一区二区久久| 国产亚洲精品第一综合不卡| 老司机福利观看| 亚洲国产精品sss在线观看 | 久久久久久人人人人人| 黄色片一级片一级黄色片| 每晚都被弄得嗷嗷叫到高潮| 1024视频免费在线观看| 国产精品乱码一区二三区的特点 | 免费久久久久久久精品成人欧美视频| 国产欧美日韩一区二区三| 国产精品久久电影中文字幕| 国产主播在线观看一区二区| 男女高潮啪啪啪动态图| 男女床上黄色一级片免费看| 一级毛片高清免费大全| 嫩草影院精品99| 色综合婷婷激情| videosex国产| 高清欧美精品videossex| 满18在线观看网站| 欧美成人午夜精品| 欧美日韩一级在线毛片| 免费看a级黄色片| 99久久精品国产亚洲精品| 欧美av亚洲av综合av国产av| 熟女少妇亚洲综合色aaa.| av视频免费观看在线观看| 亚洲精品国产色婷婷电影| 18禁国产床啪视频网站| 一级毛片精品| 91成年电影在线观看| 人人妻人人添人人爽欧美一区卜| 午夜福利免费观看在线| 老司机深夜福利视频在线观看| 日本免费a在线| 亚洲自偷自拍图片 自拍| 69av精品久久久久久| 激情在线观看视频在线高清| av超薄肉色丝袜交足视频| 国产精品一区二区精品视频观看| 男人的好看免费观看在线视频 | 色综合欧美亚洲国产小说| 日韩欧美一区视频在线观看| 亚洲欧美精品综合久久99| 12—13女人毛片做爰片一| 国产精品九九99| 久久精品国产99精品国产亚洲性色 | 亚洲一区二区三区欧美精品| 午夜日韩欧美国产| 日韩欧美一区视频在线观看| 欧美日韩福利视频一区二区| 九色亚洲精品在线播放| 欧美日韩乱码在线| 亚洲欧美日韩高清在线视频| 久久国产精品男人的天堂亚洲| 免费在线观看亚洲国产| 久久香蕉精品热| 精品免费久久久久久久清纯| 99精品在免费线老司机午夜| 亚洲精品久久成人aⅴ小说| 在线av久久热| 伊人久久大香线蕉亚洲五| 欧美精品一区二区免费开放| 曰老女人黄片| 国产伦人伦偷精品视频| 91九色精品人成在线观看| 成人免费观看视频高清| 热99国产精品久久久久久7| 午夜福利在线观看吧| 亚洲三区欧美一区| 国产麻豆69| 99re在线观看精品视频| 久久久久精品国产欧美久久久| 他把我摸到了高潮在线观看| 91国产中文字幕| 久久精品91蜜桃| 99在线视频只有这里精品首页| 日韩免费av在线播放| 国产精品秋霞免费鲁丝片| 日本欧美视频一区| xxx96com| 成人免费观看视频高清| 久久久久国产精品人妻aⅴ院| 电影成人av| 成年版毛片免费区| 国产亚洲精品久久久久5区| 欧美性长视频在线观看| 久久精品91无色码中文字幕| 亚洲熟女毛片儿| 免费在线观看黄色视频的| 欧美日本亚洲视频在线播放| 亚洲人成伊人成综合网2020| 国产99白浆流出| 国产精品偷伦视频观看了| 亚洲全国av大片| 国产色视频综合| 天堂俺去俺来也www色官网| 久久久国产成人免费| 97碰自拍视频| 91麻豆av在线| 亚洲久久久国产精品| 午夜91福利影院| 电影成人av| 女人被躁到高潮嗷嗷叫费观| 精品久久蜜臀av无| 欧美黑人欧美精品刺激| 国产亚洲精品综合一区在线观看 | 身体一侧抽搐| 精品久久久久久电影网| 国产av一区二区精品久久| 啦啦啦在线免费观看视频4| 国产伦人伦偷精品视频| 激情视频va一区二区三区| 久久久精品国产亚洲av高清涩受| 久久亚洲精品不卡| 啦啦啦在线免费观看视频4| 亚洲av第一区精品v没综合| 一二三四在线观看免费中文在| 久久香蕉激情| 村上凉子中文字幕在线| 国内久久婷婷六月综合欲色啪| 日本精品一区二区三区蜜桃| 精品国产国语对白av| 日韩人妻精品一区2区三区| 欧美日韩亚洲高清精品| 精品欧美一区二区三区在线| 国产精品一区二区三区四区久久 | 自拍欧美九色日韩亚洲蝌蚪91| 亚洲男人天堂网一区| 亚洲午夜理论影院| 亚洲黑人精品在线| 午夜精品国产一区二区电影| 人妻久久中文字幕网| 亚洲视频免费观看视频| 亚洲国产欧美网| 一级,二级,三级黄色视频| 亚洲全国av大片| 精品久久蜜臀av无| 一二三四社区在线视频社区8| 麻豆一二三区av精品| 日本免费a在线| 一级黄色大片毛片| 亚洲欧美激情综合另类| 一区二区日韩欧美中文字幕| 美女福利国产在线| 国产精品久久视频播放| 午夜精品国产一区二区电影| 国产激情久久老熟女| 亚洲精品国产精品久久久不卡| 午夜福利影视在线免费观看| 18禁裸乳无遮挡免费网站照片 | 亚洲欧美一区二区三区久久| 国产成人影院久久av| 神马国产精品三级电影在线观看 | 女性生殖器流出的白浆| 欧美精品亚洲一区二区| 久久久精品国产亚洲av高清涩受| av视频免费观看在线观看| 色播在线永久视频| 99riav亚洲国产免费| 国产一区二区三区视频了| 亚洲成a人片在线一区二区| 两个人免费观看高清视频| 亚洲中文日韩欧美视频| 久久久久国内视频| 自线自在国产av| 国产片内射在线| 国产成人精品在线电影| 变态另类成人亚洲欧美熟女 | av电影中文网址| 高清毛片免费观看视频网站 | 亚洲人成电影免费在线| 一区二区日韩欧美中文字幕| 9191精品国产免费久久| 91国产中文字幕| 搡老岳熟女国产| 国产激情欧美一区二区| 久久99一区二区三区| ponron亚洲| 成人亚洲精品av一区二区 | 美女国产高潮福利片在线看| 操出白浆在线播放| 日韩欧美一区二区三区在线观看| 成人精品一区二区免费| 亚洲国产欧美一区二区综合| av天堂在线播放| 91大片在线观看| 亚洲人成77777在线视频| 国产亚洲av高清不卡| 首页视频小说图片口味搜索| 欧美黄色片欧美黄色片| 女性被躁到高潮视频| 视频区图区小说| 91麻豆精品激情在线观看国产 | 久久久久九九精品影院| 神马国产精品三级电影在线观看 | 黑丝袜美女国产一区| 动漫黄色视频在线观看| 欧美丝袜亚洲另类 | 麻豆国产av国片精品| 日本 av在线| 丁香六月欧美| 又大又爽又粗| 一级a爱片免费观看的视频| 黄色怎么调成土黄色| 母亲3免费完整高清在线观看| 午夜免费成人在线视频| 夜夜躁狠狠躁天天躁| 性色av乱码一区二区三区2| 国产欧美日韩一区二区三区在线| 亚洲精品国产色婷婷电影| 欧美日韩乱码在线| 亚洲一区二区三区色噜噜 | 亚洲精品一区av在线观看| 91大片在线观看| 久久人妻福利社区极品人妻图片| 夜夜看夜夜爽夜夜摸 | 免费看a级黄色片| 精品第一国产精品| 69av精品久久久久久| 日本免费一区二区三区高清不卡 | 精品一区二区三区视频在线观看免费 | 欧美人与性动交α欧美软件| av福利片在线| 18禁国产床啪视频网站| 亚洲国产精品合色在线| 女警被强在线播放| 久久天堂一区二区三区四区| 免费在线观看视频国产中文字幕亚洲| 亚洲色图 男人天堂 中文字幕| 精品一品国产午夜福利视频| 女人爽到高潮嗷嗷叫在线视频|