• <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 ?

    深度學習在肺炎檢測中的研究綜述

    2020-03-09 06:13:06郝海江劉亞榮
    桂林理工大學學報 2020年4期
    關(guān)鍵詞:深度檢測方法

    李 新, 陳 帆, 郝海江,黃 琳, 劉亞榮

    (桂林理工大學 a.信息科學與工程學院; b.廣西嵌入式技術(shù)與智能系統(tǒng)重點實驗室, 廣西 桂林 541006)

    0 引 言

    肺炎是臨床醫(yī)學中最常見的感染性疾病之一[1], 其發(fā)病周期短、 成因復雜, 免疫力相對低下的兒童和老年人更是易感人群。 據(jù)世界衛(wèi)生組織報告, 僅2016年, 全球就有80多萬人死于肺炎, 死亡人數(shù)超過瘧疾、 艾滋病和麻疹的總和[2-3]。 因此, 及時的診斷肺炎并且進行治療是非常重要的。目前診斷肺部疾病的主要方法有X射線[4]、 計算機斷層掃描(CT)[5]、 磁共振成像(magnetic resonance imaging, MRI)等[6]。 由于X射線和CT價格相對便宜, 成像質(zhì)量適中等優(yōu)點, 是大多數(shù)病人選擇的檢查方式。在肺部胸片上檢測[7]是否患有肺炎,要求醫(yī)生有過硬的專業(yè)知識和豐富的臨床經(jīng)驗, 是一項極具挑戰(zhàn)性的工作。 此外,對于醫(yī)生來說, 每天花費大量時間來觀察大量肺部影像, 難免存在視覺疲勞, 出現(xiàn)誤診、 漏診等情況,計算機輔助診斷系統(tǒng) (computer-aided designs, CAD)應(yīng)運而生[8]。

    深度學習作為人工智能領(lǐng)域的一個重要分支[9], 其出現(xiàn)開辟了現(xiàn)代計算機領(lǐng)域的一個新興研究方向。它是由Hinton等在2006年所提出, 其本質(zhì)是有監(jiān)督的學習[10], 使用原始或者經(jīng)過預處理帶有明確標簽的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)算法的輸入; 然后算法對數(shù)據(jù)進行分層抽象處理, 將原始的輸入數(shù)據(jù)一層一層地抽象成其自身任務(wù)所需要的目標特征[11]; 最后將學習到的特性映射到任務(wù)目標作為結(jié)束。 深度學習與傳統(tǒng)的淺層學習的主要區(qū)別在于淺層學習(圖1)基本上只有輸入輸出和一層隱藏層; 而深度學習(圖2)主要是強調(diào)模型結(jié)構(gòu)的深度[12], 一般具有多層隱藏層(包含多層的卷積層和池化層), 深層網(wǎng)絡(luò)意味著擁有更好的非線性表達能力, 可以學習到更加復雜的非線性變換, 從而擬合更加復雜的輸入特征。因此,深度學習方法成為目前計算機輔助診斷領(lǐng)域所使用最為廣泛的方法,本文就深度學習在肺炎檢測中的研究現(xiàn)狀展開詳細討論,充分描述了目前肺炎檢測所取得的成果以及所面臨的問題,并給出了進一步的研究建議。

    圖1 傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)結(jié)點

    圖2 深度神經(jīng)網(wǎng)絡(luò)一般模型結(jié)構(gòu)

    1 深度學習模型

    在2012年ImageNet競賽[13]上, 由Krizhevsky等[14]設(shè)計的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)取得冠軍, 使得CNN成為圖像識別檢測等領(lǐng)域的核心算法模型。 隨后,大量優(yōu)秀模型相繼問世, 例如VGGNet[15]、 GoogleNet[16]、 ResNet[17]、 ResNext[18]等。其詳細參數(shù)以及Top5錯誤率如表1所示。

    2 數(shù)據(jù)集

    肺炎圖像數(shù)據(jù)集的獲取途徑特殊, 一般情況下只能在醫(yī)院獲得。文獻中所用到的數(shù)據(jù)集多是通過和一些大型醫(yī)院進行合作所得, 并未公開, 因此數(shù)據(jù)集獲取存在一定難度; 另外, 由于醫(yī)學影像的專業(yè)性, 其標注成本相對較高, 通常都是由1~2位經(jīng)驗豐富的專業(yè)醫(yī)學影像醫(yī)生進行標注, 再由1~2位醫(yī)生檢查標注結(jié)果, 這也是導致公開肺部醫(yī)學圖像數(shù)據(jù)集較少的原因之一。目前有3個比較大型的公開肺部影像數(shù)據(jù)集可以供學者進行研究。

    (1)NIH Chest X-ray。此公開數(shù)據(jù)集是由美國國立衛(wèi)生研究院(national institutes of health, NIH)[19]所提供, 有112 120張X射線肺部影像, 包括肺炎在內(nèi)的14種胸部疾病, 研究人員在原始數(shù)據(jù)集上采用自然語言處理(NLP)的方式對圖片進行標注, 正確率超過90%, 由于其自身標簽就存在一定的誤差性, 因此采用此數(shù)據(jù)集進行研究所得到的結(jié)果一般都沒有其他兩個數(shù)據(jù)集所得到的結(jié)果理想。

    (2)Chest X-ray Images。此數(shù)據(jù)集是加州大學圣迭戈分校Kermany等[20]在2018年間收集的廣州婦女兒童醫(yī)學中心1~5歲兒童肺部的5 863張胸片, 分為正常和肺炎兩個類別。 在此數(shù)據(jù)集上利用遷移學習的方法得到高達92.80%的準確率[21], 部分肺部影像如圖3所示。

    (3)肺炎識別比賽公開數(shù)據(jù)集。 此數(shù)據(jù)集是2018年9月由北美放射協(xié)會(RSNA?)聯(lián)合Kaggle公司發(fā)起的醫(yī)學圖像肺炎識別比賽中提供的數(shù)據(jù)集[22]。 每組胸片還提供了患者的肺部病灶邊界框值、 目標值等; 此外數(shù)據(jù)集分為肺炎和非肺炎(包括正常和非肺炎異常組)。

    表1 卷積神經(jīng)網(wǎng)絡(luò)不同模型的參數(shù)信息

    圖3 胸部 X-ray部分影像[20]

    3 國內(nèi)外研究現(xiàn)狀分析

    3.1 傳統(tǒng)檢測方法

    早期, 在肺炎檢測領(lǐng)域大多數(shù)采用傳統(tǒng)圖像處理[23]和機器學習[24]的方法對肺炎進行檢測, 如范炤等[25]提出了一種基于BP人工神經(jīng)網(wǎng)絡(luò)的肺炎預測模型,將肺炎的多個致病因素作為網(wǎng)絡(luò)模型的輸入,使用反向傳播算法對參數(shù)進行更新后達到肺炎預測目的,相對于如今的卷積神經(jīng)網(wǎng)絡(luò),出現(xiàn)了網(wǎng)絡(luò)泛化能力不強、預測準確率不高等問題。袁茂州[26]使用LBP算法以及灰度共生矩陣來提取圖像只含肺部區(qū)域的特征, 結(jié)合支持向量機(SVM)分類器對肺部圖像進行識別, 然而新算法需要人工設(shè)置閾值, 提取到的肺部特征較為單一。王忠闖等[27]同樣是采用SVM的方法,針對感染肺炎后無法準確監(jiān)測病人的實時情況提出了一種基于支持向量機的呼吸器肺炎檢測方案,經(jīng)過交叉驗證和受試者工程特征曲線對搭建后的模型進行評估,其結(jié)果為??漆t(yī)師提供了一定的參考作用。 王家銘等[28]采用KNN分類器, 最終也是只達到了75%的精確率。 岳路等[29]利用經(jīng)典的決策樹算法, 對200例的小兒肺炎進行分類, 準確率達到了80%。 朱碧云等[30]利用小波變換的熵紋理特征進行塵肺病分類診斷的研究, 準確率達到了84.6%。 2017年傅星瑜等[31]在采用小波變換和BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了一種特征提取和分類不穩(wěn)定的肺音信號識別方法[32]來診斷肺炎, 在識別肺炎的過程中表現(xiàn)良好。

    這類傳統(tǒng)方法一般需要人工提取特征, 并且對于肺部X射線影像而言, 需要研究人員有一定的醫(yī)學知識或者交叉學科基礎(chǔ), 因此人工提取特征存在一定的誤差性, 所得出的檢測結(jié)果也不十分理想, 目前已逐漸淡出肺炎檢測研究領(lǐng)域。

    3.2 深度學習檢測方法

    深度學習方法作為目前計算機視覺分類、 目標檢測領(lǐng)域的主流研究方法, 表現(xiàn)出強大的競爭力。針對傳統(tǒng)方法檢測過程中耗時耗力、 檢測準確率不高等問題, 為進一步提升識別效率和結(jié)果, 研究人員將深度學習方法引入肺炎檢測領(lǐng)域。深度學習成為提升醫(yī)學圖像分類識別效率的突破口, 其端到端的應(yīng)用方式、 高精度的分類結(jié)果是目前肺炎識別領(lǐng)域的研究熱點。

    3.2.1 分類識別 分類是指將圖片結(jié)構(gòu)化為某一類別信息, 將標注好類別或者屬性ID的圖片經(jīng)過分類算法得出類別結(jié)果。 基于深度學習的分類方法在訓練階段通過大量的訓練數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)的參數(shù), 在測試階段, 網(wǎng)絡(luò)可以通過多層卷積快速得到待求的類別, 而無需再進行繁瑣的數(shù)值優(yōu)化; 不足之處在于不能對圖片中特定信息(如肺炎檢測中病灶區(qū)域的定位)進行更為詳細的解釋。

    潘麗艷等[33]提出一種基于改進AlexNet方法并結(jié)合遷移學習對肺炎胸片進行了細菌型和病毒性肺炎進行了判別:先利用AlexNet的全卷積神經(jīng)網(wǎng)絡(luò)對肺部胸片進行左右肺區(qū)的分割, 排除其他非肺部組織對檢測結(jié)果的干擾, 該網(wǎng)絡(luò)使用了3個卷積層替換了原來AlexNet網(wǎng)絡(luò)中的最后面3個全連接層, 使輸入的圖片大小和輸出的圖片大小保持一致; 算法采用Dice系數(shù)來進行分割效果評價, 最終平均Dice系數(shù)為0.90, 將分割后的圖片采用改進AlexNet+SVM的分類方法, 最后得到準確率為80.48%, 特異度為82.07%, 靈敏度為77.55%。劉長征等[34]提出一種改進的卷積神經(jīng)網(wǎng)絡(luò):該網(wǎng)絡(luò)由3個卷積層、 3個層和1個全連接層組成, 并且對卷積層進行了特殊處理, 加入了兩個標志符號, 有效抑制不活躍的肺部圖像信息, 同時也防止了過擬合的出現(xiàn); 前期預處理時采用趙恒等提出的閾值分割算法[35],將分割后的肺部圖像送入到卷積神經(jīng)網(wǎng)絡(luò)中, 使用來自哈爾濱醫(yī)科大學附屬第二醫(yī)院的2 000張肺部CT(該數(shù)據(jù)集并沒有公開),最終達到86.75%的識別率。

    雖然以上文獻采用的都是深度學習技術(shù), 但由于采用的是經(jīng)典算法, 所用網(wǎng)絡(luò)結(jié)構(gòu)相對單一, 泛化能力不強, 以及使用了早期效果一般的激活函數(shù), 在反向傳播的過程中或多或少出現(xiàn)了梯度爆炸或者梯度消失的情況, 導致在迭代的過程中出現(xiàn)了識別率飽和的現(xiàn)象。

    為解決肺炎數(shù)據(jù)集中數(shù)據(jù)量不夠的問題, 遷移學習目前已經(jīng)成為了深度學習中醫(yī)學圖像輔助檢測的主流方法, 不僅解決了醫(yī)學圖像數(shù)據(jù)規(guī)模不夠的問題, 同時也解決了難以從開始就訓練大型網(wǎng)絡(luò)的問題,它采用已在大型數(shù)據(jù)集上(如ImageNet或者特征相近其他大型數(shù)據(jù)集)訓練好的權(quán)重, 將權(quán)重文件遷移到新的網(wǎng)絡(luò)中后再對網(wǎng)絡(luò)進行優(yōu)化改進。如鄧棋等[36]采用了一種基于知識蒸餾[37]并結(jié)合優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)的方法, 根據(jù)肺部CT圖像的特點, 選用AlexNet和Inception V3深度學習模型網(wǎng)絡(luò), 利用遷移學習的方法有效避免了由于數(shù)據(jù)量過小而易引起的過擬合等問題, 具體實現(xiàn)過程如圖4所示。

    圖4 知識蒸餾網(wǎng)絡(luò)模型

    先將Teacher Module的訓練結(jié)果用指定的參數(shù)T“軟化”, 再利用激活函數(shù)softmax得到經(jīng)過T軟化后的概率, 具體計算式為

    其中:i表示某一類別;qi為教師模型所得出的某一類結(jié)果的可能性;zi為教師模型中第i類的輸出值,zj為教師模型中總輸出值,j為分類類別數(shù),本文為作二分類問題,j取值為1,2;T為軟化參數(shù)。模型的最終準確率達到了92.48%, 損失為0.023。

    Liang等[38]同樣采用了遷移學習的思路, 基于ResNet殘差網(wǎng)絡(luò), 通過引入殘差的思想, 來解決隨著網(wǎng)絡(luò)深度不斷增加, 效果越差的問題。該網(wǎng)絡(luò)由49個卷積層和2個全連接層組成, 通過空洞卷積[39]的方式, 使得原始網(wǎng)絡(luò)分辨率不變, 圖像空間分辨率損失最小化, 空洞卷積的原理如圖5所示, 可看出, 空洞卷積支持在不增加核參數(shù)的情況下增加卷積核的感受域, 有效避免了過度丟失特征圖的分辨率, 達到了90.50%的準確率。

    何新宇等[40]采用在ImageNet數(shù)據(jù)集上預訓練好的GoogleNet Inception V3模型進行特征提取, 在該深度學習模型中加入由2層全連接層(神經(jīng)元個數(shù)分別為1 024和512)和1個Dropout層所組成的特征融合層, 并結(jié)合隨機森林分類器, 在公開數(shù)據(jù)集Chest X-Ray Images肺炎數(shù)據(jù)集上進行了一系列的測試, 準確率達到了96.77%, 敏感度達到97.56%, 特異度達到94.26%, 此成果為目前肺炎檢測中所取得的最好研究成果。

    圖5 膨脹系數(shù)為1(a)、 2(b)、 3(c)的3×3空洞卷積結(jié)構(gòu)圖

    在有關(guān)肺炎檢測研究中, 使用的大多是層數(shù)較深的網(wǎng)絡(luò), 多層卷積以及多樣化的卷積核具有更好的特征擬合泛化能力。2017年Wang等[41]使用自建的Chest X-ray8, 即前文面所提到的公開數(shù)據(jù)集NIH Chest X-ray的子數(shù)據(jù)集, 來判定和定位肺不張、 心臟肥大、 肺炎等8種胸部疾病, 其中肺炎識別的精確率最高達到了63.33%。 Yao等[42]利用標簽之間的統(tǒng)計依賴關(guān)系來進行更加準確的預測, 其結(jié)果優(yōu)于文獻[19]研究中14個分組中的13個, 其中肺炎的精確率為71.3%,識別精確率較低的原因是因為數(shù)據(jù)集本身存在部分錯誤標簽, 并且多種胸部疾病的影像特征相近、 分類類別較多, 因此最終識別效果不高。 Rajpurkar 等[43]設(shè)計了一種叫作CheXNet的121層卷積神經(jīng)網(wǎng)絡(luò), 在目前最大的胸部X射線數(shù)據(jù)集Chest X-ray14上訓練、 測試, 所得結(jié)果與4位從事學術(shù)研究的放射學家的標注結(jié)果進行了對比, 結(jié)果表明在CheXNet上得到的指標中F1-score超過了放射科醫(yī)生的平均水平。Varshni等[44]使用在ImageNet上預訓練好的Xception[45]、 RestNet-50、 DensNet-121、 DensNet-169[46]等卷積神經(jīng)網(wǎng)絡(luò), 隨后結(jié)合隨機森林、 KNN、 樸素貝葉斯、 SVM分類器對其性能進行了評估, 最后在Chest X-ray14數(shù)據(jù)集上進行數(shù)據(jù)處理, 挑選出了1 431張帶有肺炎標簽的圖片; 為了平衡數(shù)據(jù)集, 同樣在該數(shù)據(jù)集上挑選出了1 431張標記為無發(fā)現(xiàn)的正常胸片, 然后將數(shù)據(jù)集分為訓練集和測試集, 結(jié)果顯示:在RestNet-169結(jié)合帶rbf核的SVM分類器并對網(wǎng)絡(luò)進行超參數(shù)調(diào)節(jié)后表現(xiàn)出了最好結(jié)果, 其評價指標AUC(area under the curve)值達到了0.800 2, 結(jié)合多種網(wǎng)絡(luò)和多種分類器, 進一步提升了分類效果。

    3.2.2 目標檢測定位識別 深度學習具有自動從網(wǎng)絡(luò)中學習深層次、 鑒別特征的能力, 已在醫(yī)學圖像檢測定位領(lǐng)域廣泛應(yīng)用。 目標檢測的深度學習方法優(yōu)點在于不僅進行了類別識別, 同時也根據(jù)標簽信息將感興趣的區(qū)域(病灶區(qū)域)檢測出來, 在肺炎檢測領(lǐng)域更好地幫助醫(yī)生快速定位病灶點; 其缺點在于當圖片存在多個感興趣區(qū)域時檢測難度大大增加, 檢測結(jié)果準確性有待提高。

    在目標檢測方面:Mubarok等[47]使用了由北美放射協(xié)會RSNA?聯(lián)合Kaggle公司提供的肺炎挑戰(zhàn)賽中的公開數(shù)據(jù)集, 基于ResNet和Mask-RCNN[48]兩個深度學習模型, 在ResNet的基礎(chǔ)之上實現(xiàn)了在每次卷積和使用激活函數(shù)之后進行批處理歸一化, 并且在訓練的過程中采用余弦退火算法來優(yōu)化學習率; 對于損失函數(shù), 結(jié)合了IOU和二元交叉熵。在Mask-RCNN上采用了自底而上和自頂而下兩種提取特征的路徑, 采用準確率、 敏感度、 特異度3個醫(yī)學圖像檢測常用的評價指標, Residual Network和Mask-RCNN的結(jié)果分別為85.60%、 51.52%、 94.83%和78.06%、 36.12%、 85.54%,并且利用Mask-RCNN進行了病灶區(qū)域的定位, 具體定位結(jié)果如圖6所示。

    圖6 由Mask-RCNN給出的定位信息[53]

    文獻[49]使用與前文所述都不相同的深度神經(jīng)網(wǎng)絡(luò)——CoupleNet[50]的全卷積神經(jīng)網(wǎng)絡(luò): 先通過基本網(wǎng)絡(luò)將圖片信息傳送到區(qū)域建議網(wǎng)絡(luò)來產(chǎn)生Proposal區(qū)域; 然后每一個Proposal被傳送給兩個分支, 第一個分支使用位置敏感RoI pooling[51]來獲取本地信息, 第二個分支用來提取全局的上下文信息; 最后合并這兩個分支的輸出, 生成基于本地信息和全局信息的預測, 預測結(jié)果如圖7所示(紅色為預測框信息, 綠色框為真實信息)。

    從某種程度上看, 在肺炎識別領(lǐng)域目標檢測的方法要優(yōu)于分類方法。 分類的方法僅是給出是否患有肺炎, 而目標檢測方法不僅區(qū)分出是否患有肺炎并且還給出了具體病灶區(qū)域的候選框, 真正達到了輔助醫(yī)生進行疾病的診斷,減少了醫(yī)生的負擔, 不足之處在于目前此方面的相關(guān)文獻不多, 同時相關(guān)文獻中肺炎病灶區(qū)域定位準確率還有待提高。

    3.3 算法總結(jié)

    由于多數(shù)研究者是利用不同的方法在不同的數(shù)據(jù)集上進行實驗, 而且不同的實驗環(huán)境和設(shè)備以及不同的數(shù)據(jù)集預處理方式和評價指標都會對最后的結(jié)果產(chǎn)生影響。在Chest X-ray Images數(shù)據(jù)集上進行研究的文獻較多, 對此數(shù)據(jù)集上的研究成果進行了對比總結(jié), 其結(jié)果如表2所示。

    圖7 文獻[49]中的定位結(jié)果

    表2 在Chest X-ray Images數(shù)據(jù)集上已有研究成果對比

    4 總結(jié)與展望

    隨著深度學習浪潮的涌起, 很多文獻在研究利用深度學習方法來進行肺炎的檢測診斷需求, 盡管取得了一定的進展, 但是其效果仍不能完全滿足實際的肺炎診斷。 究其原因, 主要是醫(yī)學疾病診斷的嚴謹性, 在當前技術(shù)不成熟的情況下仍然需要專業(yè)醫(yī)生再次把關(guān), 最終結(jié)果還是需要醫(yī)生根據(jù)以往的臨床診斷經(jīng)驗和專業(yè)知識來做最后的判別。多數(shù)研究人員只是對肺部影像進行了是否屬于肺炎的判別, 而肺炎具有多種類型, 例如大葉型肺炎、 支氣管肺炎、 間質(zhì)肺炎、 SARS等, 僅文獻[34]通過和醫(yī)院合作利用未公開的數(shù)據(jù)集對肺炎的類型進行了判別, 因此在未來的技術(shù)挑戰(zhàn)和發(fā)展方向上對相關(guān)研究人員給出幾點建議:

    (1)更多肺炎數(shù)據(jù)集的公開: 目前只有3個比較大型的肺炎公開數(shù)據(jù)集, 對于深度學習領(lǐng)域而言, 通常需要大量的肺部醫(yī)學影像經(jīng)過長時間的訓練才能取得較好的效果, 因此需要更多的大型肺部影像數(shù)據(jù)集來為肺炎檢測作出貢獻。

    (2)對相關(guān)肺炎數(shù)據(jù)集進行具體信息標注:對一般的肺部影像數(shù)據(jù)集而言, 如果沒有給出具體信息(如病灶區(qū)域的位置信息, 病灶區(qū)域的大小,x、y軸信息), 僅能識別出是否是患有肺炎, 無法具體定位病灶區(qū)域以及通過候選框框出, 因而不能良好地快速幫助醫(yī)生定位病灶大小, 給出建議性的治療方案。

    (3)研究方向傾向于病灶定位以及快速定位:僅將肺部影像區(qū)分為肺炎和正常還遠遠不夠, 目前分類方面研究已取得較好效果, 未來的重點應(yīng)該是采用目標檢測的方法進行肺部炎癥病灶區(qū)域的快速定位和精準定位, 使得計算機輔助診斷系統(tǒng)能夠快速精確診斷。

    (4)提出更加高效的算法: 目前深度學習算法參數(shù)量以及計算量基本上是少則幾十萬, 多則上億, 需要非常優(yōu)秀的硬件設(shè)備(顯卡和CPU等), 這無形之中大大增加了科研成本;另一方面也要求研究人員在算法方面進行創(chuàng)新。

    深度學習方法作為一項新技術(shù), 其在影像醫(yī)學領(lǐng)域應(yīng)用研究還有很長的路要走, 針對醫(yī)學領(lǐng)域的實際情況, 需要投入更多的人力和物力去不斷改進與創(chuàng)新; 并且由于深度學習技術(shù)在圖像信息處理方面的卓越表現(xiàn)能力, 其未來可能成為影像醫(yī)學臨床診療中的得力輔助工具。

    猜你喜歡
    深度檢測方法
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    深度理解一元一次方程
    深度觀察
    深度觀察
    深度觀察
    可能是方法不對
    小波變換在PCB缺陷檢測中的應(yīng)用
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    欧美精品高潮呻吟av久久| 最新在线观看一区二区三区| 国精品久久久久久国模美| 国产精品99久久99久久久不卡| 黑人巨大精品欧美一区二区蜜桃| 国产精品.久久久| 日韩大码丰满熟妇| 久久午夜综合久久蜜桃| 下体分泌物呈黄色| 久久久精品免费免费高清| 99国产综合亚洲精品| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲色图综合在线观看| 久久人人97超碰香蕉20202| 高清视频免费观看一区二区| 国产av又大| 法律面前人人平等表现在哪些方面| 国产成+人综合+亚洲专区| 狠狠精品人妻久久久久久综合| 亚洲av美国av| 高清毛片免费观看视频网站 | 免费女性裸体啪啪无遮挡网站| 99久久国产精品久久久| 丰满少妇做爰视频| tube8黄色片| 午夜福利在线免费观看网站| 国产区一区二久久| 不卡av一区二区三区| 涩涩av久久男人的天堂| 精品少妇黑人巨大在线播放| 制服诱惑二区| 日日摸夜夜添夜夜添小说| 天堂俺去俺来也www色官网| 另类亚洲欧美激情| 久久精品91无色码中文字幕| 精品第一国产精品| 天堂俺去俺来也www色官网| 蜜桃在线观看..| 亚洲精华国产精华精| 精品久久蜜臀av无| 下体分泌物呈黄色| 久久久精品免费免费高清| 交换朋友夫妻互换小说| 777米奇影视久久| 成人永久免费在线观看视频 | 国产亚洲欧美精品永久| 黄色成人免费大全| 在线永久观看黄色视频| 国产精品偷伦视频观看了| 久久ye,这里只有精品| 久热爱精品视频在线9| 在线观看免费视频网站a站| 国产免费福利视频在线观看| 色综合欧美亚洲国产小说| 欧美人与性动交α欧美软件| 日韩成人在线观看一区二区三区| 大型av网站在线播放| 婷婷丁香在线五月| 欧美日韩精品网址| 免费在线观看完整版高清| 国产成人影院久久av| 大片电影免费在线观看免费| 女同久久另类99精品国产91| 一本一本久久a久久精品综合妖精| 欧美亚洲 丝袜 人妻 在线| 亚洲欧洲精品一区二区精品久久久| 九色亚洲精品在线播放| 亚洲成av片中文字幕在线观看| 91国产中文字幕| 久久久久久久久免费视频了| 天天躁夜夜躁狠狠躁躁| 中文字幕另类日韩欧美亚洲嫩草| 国产男女内射视频| 激情视频va一区二区三区| 欧美午夜高清在线| 欧美人与性动交α欧美精品济南到| 精品国产乱子伦一区二区三区| 激情视频va一区二区三区| 男女床上黄色一级片免费看| 精品国产一区二区久久| 香蕉久久夜色| 两个人免费观看高清视频| 久久久久久久久久久久大奶| 国产高清国产精品国产三级| 亚洲精品国产区一区二| 亚洲精品国产精品久久久不卡| 99热国产这里只有精品6| 国产成人免费无遮挡视频| 久久久久久久大尺度免费视频| 在线天堂中文资源库| 欧美日韩福利视频一区二区| 亚洲av成人一区二区三| 波多野结衣av一区二区av| 性色av乱码一区二区三区2| 首页视频小说图片口味搜索| 久热爱精品视频在线9| a级片在线免费高清观看视频| 超色免费av| 色视频在线一区二区三区| 蜜桃国产av成人99| 俄罗斯特黄特色一大片| √禁漫天堂资源中文www| 欧美精品亚洲一区二区| 亚洲精品一卡2卡三卡4卡5卡| 国产精品久久久人人做人人爽| 一级,二级,三级黄色视频| 国产精品一区二区在线不卡| 久久人人97超碰香蕉20202| 国产精品av久久久久免费| 欧美黄色淫秽网站| 黑人巨大精品欧美一区二区mp4| 国产91精品成人一区二区三区 | 丝袜在线中文字幕| 免费高清在线观看日韩| 亚洲国产中文字幕在线视频| 欧美日韩黄片免| 大香蕉久久网| 最新在线观看一区二区三区| 国产精品1区2区在线观看. | 国产精品自产拍在线观看55亚洲 | 不卡av一区二区三区| 成年动漫av网址| 一边摸一边抽搐一进一小说 | 妹子高潮喷水视频| 久久中文字幕人妻熟女| 国产高清国产精品国产三级| 亚洲伊人色综图| 久久人妻熟女aⅴ| 色尼玛亚洲综合影院| 丰满饥渴人妻一区二区三| 国产欧美亚洲国产| 91麻豆av在线| 欧美亚洲日本最大视频资源| 日本a在线网址| 国产男女内射视频| 黄色 视频免费看| 精品久久久久久久毛片微露脸| 精品久久蜜臀av无| 丝袜在线中文字幕| 香蕉丝袜av| 欧美另类亚洲清纯唯美| 国产欧美日韩一区二区三区在线| 久久中文字幕一级| 国产人伦9x9x在线观看| 亚洲精品在线观看二区| 十八禁人妻一区二区| 免费在线观看日本一区| 精品一区二区三卡| 中文字幕人妻熟女乱码| 超碰成人久久| 国产不卡av网站在线观看| 免费观看a级毛片全部| 亚洲av片天天在线观看| 国产av一区二区精品久久| 欧美乱妇无乱码| 亚洲中文日韩欧美视频| 久久久精品免费免费高清| 成人黄色视频免费在线看| 男男h啪啪无遮挡| 亚洲国产毛片av蜜桃av| 欧美成狂野欧美在线观看| 99久久99久久久精品蜜桃| 精品视频人人做人人爽| 别揉我奶头~嗯~啊~动态视频| 天天躁日日躁夜夜躁夜夜| h视频一区二区三区| 两性夫妻黄色片| 热re99久久国产66热| 亚洲国产看品久久| 亚洲国产av新网站| 欧美激情久久久久久爽电影 | 美国免费a级毛片| 国产xxxxx性猛交| 丝袜人妻中文字幕| 国产在视频线精品| 亚洲成人国产一区在线观看| 99香蕉大伊视频| netflix在线观看网站| 精品一区二区三卡| 久久这里只有精品19| 欧美日韩av久久| 亚洲精品美女久久久久99蜜臀| 亚洲人成伊人成综合网2020| 亚洲欧美精品综合一区二区三区| 黑丝袜美女国产一区| 亚洲精品国产一区二区精华液| 亚洲精品国产区一区二| 啪啪无遮挡十八禁网站| 亚洲午夜理论影院| 亚洲精品一二三| av福利片在线| 一边摸一边做爽爽视频免费| 性高湖久久久久久久久免费观看| 国产片内射在线| 男人舔女人的私密视频| 狠狠狠狠99中文字幕| 两个人看的免费小视频| 少妇精品久久久久久久| 最黄视频免费看| 两性午夜刺激爽爽歪歪视频在线观看 | 香蕉丝袜av| 久久九九热精品免费| 多毛熟女@视频| 一二三四在线观看免费中文在| 精品人妻在线不人妻| 欧美在线一区亚洲| 熟女少妇亚洲综合色aaa.| 99国产精品一区二区三区| tube8黄色片| 日本a在线网址| 777米奇影视久久| 亚洲一区中文字幕在线| 欧美在线黄色| 欧美精品一区二区大全| 熟女少妇亚洲综合色aaa.| 成年版毛片免费区| 两个人免费观看高清视频| 这个男人来自地球电影免费观看| 最新美女视频免费是黄的| 亚洲熟女毛片儿| 男女床上黄色一级片免费看| 日韩欧美免费精品| 亚洲全国av大片| 国产一区二区激情短视频| 99riav亚洲国产免费| 少妇的丰满在线观看| 久久久久久久久免费视频了| 亚洲精品国产区一区二| 亚洲av电影在线进入| 色综合欧美亚洲国产小说| 99九九在线精品视频| 欧美精品高潮呻吟av久久| 国产免费福利视频在线观看| 欧美中文综合在线视频| 欧美成人午夜精品| 国产不卡av网站在线观看| 欧美精品一区二区免费开放| 国产精品电影一区二区三区 | av天堂久久9| 侵犯人妻中文字幕一二三四区| 亚洲av美国av| 18禁黄网站禁片午夜丰满| 精品国产国语对白av| 巨乳人妻的诱惑在线观看| 高清黄色对白视频在线免费看| av一本久久久久| 国产亚洲一区二区精品| av欧美777| 成在线人永久免费视频| 18禁裸乳无遮挡动漫免费视频| 女性被躁到高潮视频| 成人18禁在线播放| 国产有黄有色有爽视频| 欧美成人免费av一区二区三区 | 国产精品成人在线| 最新美女视频免费是黄的| 麻豆乱淫一区二区| 亚洲av美国av| 国产极品粉嫩免费观看在线| 王馨瑶露胸无遮挡在线观看| 亚洲国产毛片av蜜桃av| 黑人巨大精品欧美一区二区mp4| av欧美777| 最近最新免费中文字幕在线| 欧美国产精品一级二级三级| 亚洲欧美日韩另类电影网站| 国产精品二区激情视频| 欧美日韩一级在线毛片| 丝袜美足系列| 一个人免费看片子| 69av精品久久久久久 | 亚洲 国产 在线| 欧美激情高清一区二区三区| 欧美成人免费av一区二区三区 | 久久精品亚洲精品国产色婷小说| 99re在线观看精品视频| 久久精品亚洲av国产电影网| 一本综合久久免费| 亚洲人成77777在线视频| 国产精品免费大片| 国产淫语在线视频| 久久久久久亚洲精品国产蜜桃av| 久久人人97超碰香蕉20202| 久久精品亚洲av国产电影网| 亚洲欧美激情在线| 大型av网站在线播放| 亚洲 欧美一区二区三区| 一区福利在线观看| 成人国语在线视频| 国产男靠女视频免费网站| 99精品久久久久人妻精品| 又紧又爽又黄一区二区| 亚洲av欧美aⅴ国产| 天天躁日日躁夜夜躁夜夜| 国产午夜精品久久久久久| 久久热在线av| 欧美黄色片欧美黄色片| 丰满迷人的少妇在线观看| 国产精品香港三级国产av潘金莲| 精品国产一区二区久久| 国产一区二区三区视频了| 纵有疾风起免费观看全集完整版| 不卡av一区二区三区| 大陆偷拍与自拍| 美女福利国产在线| 国产亚洲欧美在线一区二区| av国产精品久久久久影院| 欧美午夜高清在线| av天堂久久9| h视频一区二区三区| 美女主播在线视频| av国产精品久久久久影院| 久久热在线av| 天堂俺去俺来也www色官网| 国产精品国产av在线观看| 汤姆久久久久久久影院中文字幕| 成人影院久久| 不卡一级毛片| 天天添夜夜摸| 丰满人妻熟妇乱又伦精品不卡| 12—13女人毛片做爰片一| 亚洲精品中文字幕一二三四区 | 丝袜在线中文字幕| 满18在线观看网站| 一级毛片女人18水好多| 久久 成人 亚洲| 黄色毛片三级朝国网站| av线在线观看网站| 国产伦人伦偷精品视频| 精品国产乱子伦一区二区三区| 精品高清国产在线一区| 国产精品香港三级国产av潘金莲| 在线看a的网站| 人人澡人人妻人| 在线亚洲精品国产二区图片欧美| 老鸭窝网址在线观看| 淫妇啪啪啪对白视频| 在线亚洲精品国产二区图片欧美| 国内毛片毛片毛片毛片毛片| 美女扒开内裤让男人捅视频| 蜜桃国产av成人99| 欧美激情高清一区二区三区| 最新美女视频免费是黄的| 女人高潮潮喷娇喘18禁视频| 色精品久久人妻99蜜桃| 成人精品一区二区免费| 午夜福利欧美成人| 亚洲色图 男人天堂 中文字幕| 国产精品久久久久成人av| 国产伦理片在线播放av一区| 99热网站在线观看| 国产视频一区二区在线看| 极品教师在线免费播放| 国产日韩一区二区三区精品不卡| 97在线人人人人妻| 男女边摸边吃奶| 欧美日韩精品网址| 一边摸一边抽搐一进一小说 | 老熟女久久久| 两人在一起打扑克的视频| 丝瓜视频免费看黄片| 国产欧美日韩一区二区精品| 久久久久久人人人人人| 精品熟女少妇八av免费久了| 每晚都被弄得嗷嗷叫到高潮| 一区在线观看完整版| 老汉色∧v一级毛片| 两性夫妻黄色片| 久久久久久免费高清国产稀缺| 免费人妻精品一区二区三区视频| 国产精品久久久久久精品古装| 成年人黄色毛片网站| 国产亚洲一区二区精品| 亚洲一卡2卡3卡4卡5卡精品中文| www.自偷自拍.com| 老司机午夜十八禁免费视频| 精品一区二区三区av网在线观看 | 婷婷丁香在线五月| 午夜福利乱码中文字幕| 中文字幕最新亚洲高清| 99精品欧美一区二区三区四区| 久久久久久久久免费视频了| 19禁男女啪啪无遮挡网站| 国产成人免费无遮挡视频| 女人久久www免费人成看片| 啦啦啦视频在线资源免费观看| 性高湖久久久久久久久免费观看| 一区二区三区乱码不卡18| 亚洲九九香蕉| 亚洲午夜精品一区,二区,三区| 国内毛片毛片毛片毛片毛片| 精品国内亚洲2022精品成人 | 午夜福利乱码中文字幕| 国产欧美日韩一区二区精品| 99国产精品一区二区三区| 老汉色av国产亚洲站长工具| 欧美成人免费av一区二区三区 | 老司机亚洲免费影院| 啦啦啦 在线观看视频| 欧美国产精品一级二级三级| 十八禁高潮呻吟视频| 大香蕉久久成人网| 757午夜福利合集在线观看| 国产成人精品在线电影| 精品第一国产精品| avwww免费| 亚洲国产av新网站| 久久久久久免费高清国产稀缺| 国产成人精品久久二区二区91| 精品少妇内射三级| 久久精品aⅴ一区二区三区四区| 一区二区av电影网| 飞空精品影院首页| 欧美日韩视频精品一区| 天天躁夜夜躁狠狠躁躁| 国产精品亚洲av一区麻豆| 精品一区二区三卡| 最新美女视频免费是黄的| www.999成人在线观看| 国产成人免费无遮挡视频| 久久精品人人爽人人爽视色| 人人澡人人妻人| 国产精品国产av在线观看| 首页视频小说图片口味搜索| 乱人伦中国视频| e午夜精品久久久久久久| 天天躁狠狠躁夜夜躁狠狠躁| 精品亚洲成a人片在线观看| 日本撒尿小便嘘嘘汇集6| 精品亚洲成a人片在线观看| 色综合欧美亚洲国产小说| 少妇被粗大的猛进出69影院| 午夜成年电影在线免费观看| 国产日韩欧美亚洲二区| 日韩有码中文字幕| 老司机亚洲免费影院| 亚洲男人天堂网一区| √禁漫天堂资源中文www| 日韩精品免费视频一区二区三区| 777米奇影视久久| 丝袜喷水一区| 桃花免费在线播放| 免费在线观看影片大全网站| 桃红色精品国产亚洲av| 下体分泌物呈黄色| 天堂中文最新版在线下载| 亚洲精品av麻豆狂野| 另类亚洲欧美激情| 多毛熟女@视频| 久久国产精品男人的天堂亚洲| 桃花免费在线播放| 亚洲少妇的诱惑av| 日本vs欧美在线观看视频| 人人妻,人人澡人人爽秒播| 女警被强在线播放| 午夜视频精品福利| 欧美日韩一级在线毛片| 亚洲三区欧美一区| 国产成人精品无人区| 亚洲午夜理论影院| 大香蕉久久网| 啦啦啦中文免费视频观看日本| 国产又色又爽无遮挡免费看| 人人妻人人澡人人看| 国产亚洲一区二区精品| 18禁美女被吸乳视频| 亚洲av片天天在线观看| 欧美日本中文国产一区发布| 欧美精品av麻豆av| 精品视频人人做人人爽| 2018国产大陆天天弄谢| 免费少妇av软件| 国产精品亚洲av一区麻豆| 老熟女久久久| 国产成人av教育| 黄色 视频免费看| 国产精品偷伦视频观看了| 手机成人av网站| 亚洲精品中文字幕一二三四区 | 国产一区二区三区综合在线观看| 午夜91福利影院| 国产精品 国内视频| 亚洲国产欧美日韩在线播放| 欧美黄色淫秽网站| 亚洲精品一二三| 一区二区三区国产精品乱码| 欧美在线一区亚洲| 每晚都被弄得嗷嗷叫到高潮| 成人国语在线视频| a级片在线免费高清观看视频| 国产免费视频播放在线视频| 大型av网站在线播放| 亚洲精品国产区一区二| 国产成人欧美在线观看 | 日韩大码丰满熟妇| 乱人伦中国视频| 国产成人啪精品午夜网站| 久久av网站| 咕卡用的链子| 最新的欧美精品一区二区| 好男人电影高清在线观看| 国产亚洲欧美精品永久| 日本黄色日本黄色录像| 亚洲自偷自拍图片 自拍| 久久精品成人免费网站| 黑人巨大精品欧美一区二区蜜桃| 午夜成年电影在线免费观看| 日韩三级视频一区二区三区| 色老头精品视频在线观看| 国产欧美日韩一区二区精品| 欧美精品高潮呻吟av久久| 国产一区二区 视频在线| 亚洲性夜色夜夜综合| 侵犯人妻中文字幕一二三四区| 视频区图区小说| 一区福利在线观看| 少妇猛男粗大的猛烈进出视频| 99国产精品一区二区蜜桃av | 黄色视频不卡| 曰老女人黄片| 午夜精品久久久久久毛片777| 色在线成人网| 青青草视频在线视频观看| 精品国产乱码久久久久久男人| 午夜两性在线视频| 成人国产av品久久久| 男女高潮啪啪啪动态图| 女人久久www免费人成看片| 老熟妇乱子伦视频在线观看| 99热国产这里只有精品6| 精品一品国产午夜福利视频| 日日爽夜夜爽网站| 欧美精品人与动牲交sv欧美| 狠狠精品人妻久久久久久综合| 亚洲精品国产一区二区精华液| 老汉色av国产亚洲站长工具| 国产精品国产高清国产av | 一区二区三区国产精品乱码| 亚洲精华国产精华精| 老熟女久久久| 国产精品一区二区在线不卡| 精品国产乱码久久久久久男人| 国产亚洲一区二区精品| 狂野欧美激情性xxxx| 亚洲精品美女久久久久99蜜臀| 国产精品熟女久久久久浪| 久9热在线精品视频| 日韩 欧美 亚洲 中文字幕| 99精品在免费线老司机午夜| 国产精品久久久久久人妻精品电影 | 性色av乱码一区二区三区2| 国产无遮挡羞羞视频在线观看| 老司机午夜福利在线观看视频 | 成人18禁在线播放| 黑丝袜美女国产一区| 建设人人有责人人尽责人人享有的| 三级毛片av免费| 少妇被粗大的猛进出69影院| 欧美日韩国产mv在线观看视频| 欧美日韩成人在线一区二区| tube8黄色片| 操出白浆在线播放| av视频免费观看在线观看| 色播在线永久视频| 免费人妻精品一区二区三区视频| 国产成人系列免费观看| 亚洲 欧美一区二区三区| 母亲3免费完整高清在线观看| 亚洲全国av大片| 国产人伦9x9x在线观看| 91av网站免费观看| 婷婷成人精品国产| 国产成人啪精品午夜网站| 亚洲人成77777在线视频| 亚洲成人免费电影在线观看| 成年女人毛片免费观看观看9 | 肉色欧美久久久久久久蜜桃| 精品一区二区三区视频在线观看免费 | 一进一出好大好爽视频| 国产成+人综合+亚洲专区| 麻豆国产av国片精品| 久久精品aⅴ一区二区三区四区| 亚洲午夜理论影院| 香蕉国产在线看| 99re在线观看精品视频| 亚洲成人手机| 成人手机av| 成年动漫av网址| 黑人操中国人逼视频| 超色免费av| 国产又爽黄色视频| 热re99久久国产66热| 在线观看免费日韩欧美大片| 国产xxxxx性猛交| 丝袜美足系列| 欧美乱妇无乱码| 午夜福利乱码中文字幕| 一区二区三区乱码不卡18| 免费观看a级毛片全部| 午夜福利一区二区在线看| 搡老熟女国产l中国老女人| 制服诱惑二区| av视频免费观看在线观看| 日韩免费高清中文字幕av| 欧美日韩一级在线毛片| 91麻豆精品激情在线观看国产 | 王馨瑶露胸无遮挡在线观看| 青草久久国产| 亚洲国产看品久久| 黑人操中国人逼视频| 一区在线观看完整版| 他把我摸到了高潮在线观看 | 如日韩欧美国产精品一区二区三区| 啦啦啦免费观看视频1| 色播在线永久视频|