• <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 ?

    基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法

    2016-06-24 00:52:25張俊杰王文文
    電視技術(shù) 2016年3期
    關(guān)鍵詞:支持向量機(jī)粗糙集特征提取

    張俊杰,周 濤,夏 勇,王文文

    (1.寧夏醫(yī)科大學(xué) a.管理學(xué)院;b.理學(xué)院,寧夏 銀川 750004;2.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,陜西 西安 710100)

    基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法

    張俊杰1a,周濤1b,夏勇2,王文文1a

    (1.寧夏醫(yī)科大學(xué)a.管理學(xué)院;b.理學(xué)院,寧夏 銀川 750004;2.西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院,陜西 西安 710100)

    摘要:以肺結(jié)節(jié)的檢測(cè)為研究目標(biāo),針對(duì)肺結(jié)節(jié)特征級(jí)融合檢測(cè)算法中存在特征結(jié)構(gòu)不合理和特征表達(dá)不緊致兩個(gè)問題,提出了一種基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法,該算法首先分析肺部CT影像的醫(yī)學(xué)征象,提出了六個(gè)新的三維特征,并綜合其他二維和三維特征共42維特征分量共同量化ROI;然后基于粗糙集對(duì)提取的特征集合進(jìn)行5次特征級(jí)融合實(shí)驗(yàn);最后利用網(wǎng)格尋優(yōu)算法優(yōu)化核函數(shù)的SVM作為分類器進(jìn)行肺結(jié)節(jié)識(shí)別。以70例肺結(jié)節(jié)患者的肺部CT影像為原始數(shù)據(jù),通過4組對(duì)比實(shí)驗(yàn)驗(yàn)證算法的有效性和穩(wěn)定性,實(shí)驗(yàn)結(jié)果表明,經(jīng)過粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法識(shí)別肺結(jié)節(jié)的能力得到了有效提升。

    關(guān)鍵詞:肺結(jié)節(jié)檢測(cè);粗糙集;特征提取;特征約簡;支持向量機(jī)

    肺癌已成為世界范圍內(nèi)發(fā)病率及死亡率最高的惡性腫瘤,嚴(yán)重威脅著人類的生命健康[1-2],早期發(fā)現(xiàn)是提高肺癌患者治療效果的有效方法[3],同時(shí)由于肺結(jié)節(jié)(lungnodules)是肺癌的早期形態(tài)[4],因此肺結(jié)節(jié)的檢測(cè)識(shí)別在肺癌治療中的重要性日益凸顯。計(jì)算機(jī)斷層掃描成像(ComputedTomography,CT)為臨床診斷提供了多角度、可視化、高質(zhì)量的胸部醫(yī)學(xué)影像[4],但是隨著CT在肺結(jié)節(jié)檢測(cè)中的廣泛應(yīng)用,產(chǎn)生的CT數(shù)據(jù)過載以及影像結(jié)果判讀主觀性等因素,都導(dǎo)致臨床誤診率居高不下[5]。計(jì)算機(jī)輔助診斷(Computer-AidedDiagnosis,CAD)能夠?qū)A緾T影像數(shù)據(jù)進(jìn)行前期篩查、標(biāo)記可疑病灶區(qū)域,然后結(jié)合影像醫(yī)生的二次判別在降低其閱片工作量的同時(shí)提高腫瘤診斷正確率[6],是解決上述問題的有效渠道之一。

    肺結(jié)節(jié)檢測(cè)是CAD研究的熱點(diǎn)之一,如Santos[7]等首先基于區(qū)域生長法分割出肺實(shí)質(zhì),并根據(jù)高斯混合模型和海森矩陣從肺實(shí)質(zhì)中分離出ROI,然后選取Tsallis熵和香農(nóng)熵作為描述特征,利用支持向量機(jī)(SupportVectorMachine,SVM)對(duì)肺結(jié)節(jié)和非結(jié)節(jié)區(qū)域進(jìn)行分類識(shí)別;Netto[8]等首先利用增長型神經(jīng)氣體(GrowingNeuralGas,GNG)進(jìn)行聚類粗分割,然后根據(jù)三維距離變換把肺結(jié)節(jié)從含有血管、支氣管的組織中分離出來,最后利用SVM在提取的形狀特征和紋理特征集合的基礎(chǔ)上實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的有效識(shí)別;Ye[9]等首先綜合模糊閾值、高斯矩陣、平均曲率、海森矩陣等算法進(jìn)行ROI的分割提取,然后選用局部形狀特征和局部散度信息作為ROI的特征表達(dá),最后采用加權(quán)的SVM進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè);Tan[10]等首先基于Li[11]等提出的血管和結(jié)節(jié)增強(qiáng)濾波器進(jìn)行肺結(jié)節(jié)的分割,然后根據(jù)基于高斯模板計(jì)算的散度定位肺結(jié)節(jié)的聚類中心,實(shí)現(xiàn)ROI的提取,最后采用基于遺傳算法的分類器、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,ANN)、SVM三種分類器對(duì)比分析肺結(jié)節(jié)的檢測(cè)效果;Cascio[12]等首先利用區(qū)域增長算法和形態(tài)學(xué)操作提取出ROI,然后基于3D彈簧模型進(jìn)行樣條曲面重建,以便于提取相關(guān)的三維灰度特征和形狀特征,最后采用ANN進(jìn)行肺結(jié)節(jié)的檢測(cè)。雖然以上文獻(xiàn)對(duì)肺結(jié)節(jié)的檢測(cè)方法進(jìn)行了一定的探討,但整體來看,這些方法在特征結(jié)構(gòu)的設(shè)計(jì)和特征集合的表達(dá)方面還存在以下不足:

    1)提取特征集合量化ROI時(shí),存在特征結(jié)構(gòu)設(shè)計(jì)不合理的問題,較少考慮全局特征和局部特征、二維特征和三維特征的結(jié)合,并且容易忽視特征分量刻畫的準(zhǔn)確性。

    2)特征數(shù)據(jù)融合時(shí),特征表達(dá)的緊致性是一個(gè)棘手的問題,較少考慮剔除特征冗余、保留有效特征,而且無需先驗(yàn)知識(shí)的特征級(jí)融合方法很少被應(yīng)用。

    基于以上原因,本文提出了一種基于粗糙集(RoughSets,RS)特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法。針對(duì)第一個(gè)問題,提取了形狀特征、強(qiáng)度特征和紋理特征,其中在形狀特征中,提出了3個(gè)新的三維特征,即外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差和外接長方體交線距離;在強(qiáng)度特征中,提出了3個(gè)新的三維特征,即強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度均值、拉普拉斯散度距離;在特征描述上,使用二維紋理特征和三維形狀特征、強(qiáng)度特征共同量化;針對(duì)第二個(gè)問題,充分考慮粗糙集無需先驗(yàn)知識(shí)和能夠充分保留特征屬性的特點(diǎn),采用粗糙集進(jìn)行特征級(jí)融合,最后采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM核函數(shù)并進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè)。為了驗(yàn)證本文算法的有效性、穩(wěn)定性、優(yōu)越性,本文做了4組對(duì)比實(shí)驗(yàn),即粗糙集約簡前后的算法有效性驗(yàn)證實(shí)驗(yàn)、粗糙集約簡前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)、基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)、與其他肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,該算法能夠在一定程度上提升特征結(jié)構(gòu)的合理性和特征表達(dá)的緊致性,從而提高肺結(jié)節(jié)的檢測(cè)正確率。

    1相關(guān)理論

    1.1CT肺結(jié)節(jié)ROI的特征分析及量化

    ROI特征由其描述的全面性(即特征分量的維度,過少的特征描述量無法以“多視角”的方式“觀測(cè)”病灶的特性)和刻畫的準(zhǔn)確性(即反映特征真實(shí)性的程度,特征量化數(shù)值偏離真實(shí)信息較多會(huì)造成特征區(qū)分度過低)共同影響,大量的噪聲信息會(huì)降低ROI的特征提取精度,影響最終的檢測(cè)結(jié)果,因此,為全面、準(zhǔn)確地表達(dá)肺結(jié)節(jié)ROI的形態(tài)結(jié)構(gòu)、局部特性,本文在對(duì)肺結(jié)節(jié)ROI醫(yī)學(xué)征象分析的基礎(chǔ)上,提出6個(gè)新的三維特征,并結(jié)合其他形狀特征、強(qiáng)度特征、紋理特征分別從二維和三維角度對(duì)病灶進(jìn)行定性分析和定量刻畫。

    1.1.1形狀特征

    形狀特征是最直觀的視覺特征,能夠從幾何形狀、邊緣粗糙度、拓?fù)浣Y(jié)構(gòu)等角度表示CT肺結(jié)節(jié)ROI的圓形腫塊征、分葉征、棘狀突起征、空泡征、毛刺征等主要醫(yī)學(xué)征象,本文提取的形狀特征分量主要有:周長、面積、體積、圓形度、矩形度、伸長度、歐拉數(shù)、外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差、角點(diǎn)數(shù)、Hu矩,外接長方體交線距離。

    其中:外接球形體積比是三維CT影像所提取的每個(gè)ROIAi(最大直徑是dim(Ai))與其外接球形體積VS(Ai)的比值,反映了該區(qū)域與球形的相似度,如圖1b所示。

    (1)

    (2)

    表面-中心距離標(biāo)準(zhǔn)差,是ROI表面每個(gè)體素C(Si)與區(qū)域中心Ccen(Ai)的坐標(biāo)距離標(biāo)準(zhǔn)差,其值同樣描述了ROI的類球性,如果E2(Ai)的值為0,則該區(qū)域是一個(gè)標(biāo)準(zhǔn)的球形,隨著E2(Ai)的值增大,則該區(qū)域偏離球形的幅度隨之增大,如圖1c所示。

    (3)

    外接長方體交線距離,是ROI中心體素Ccen(Ai)與其外接長方體6個(gè)切面的12條交線中心dim(Li)(i=1,2,…,12)的距離,可以表示該區(qū)域體素在矩形體中均勻分布的程度,如圖1d所示。

    (4)

    圖1 三維特征示意圖

    1.1.2強(qiáng)度特征

    灰度統(tǒng)計(jì)特征是用定量的方法描述二維圖像區(qū)域的最基本特征,從三維角度考慮稱之為強(qiáng)度特征[12],本文提取的強(qiáng)度特征分量有強(qiáng)度均值、強(qiáng)度方差、最大最小強(qiáng)度差值、偏斜度、峰度、強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度(均值、差值)。

    其中:強(qiáng)度梯度(由內(nèi)向外),對(duì)ROIAi中體積大于0的體素Si不斷地做形態(tài)學(xué)腐蝕處理,求得每一次腐蝕剔除面的均值與上一次操作的均值作比較(初始為0),直到體積為零,如果比值為正,則k=k+1(初始為0),其中n是腐蝕操作的次數(shù)。

    (5)

    拉普拉斯散度均值,根據(jù)拉普拉斯算子La與原始CT影像卷積后的結(jié)果發(fā)現(xiàn),結(jié)節(jié)周圍灰度值差異較小的區(qū)域其散度卻有明顯的不同,因此,計(jì)算拉普拉斯散度有利于區(qū)分肺結(jié)節(jié)與干擾雜質(zhì)。

    E5(Ai)=mean(Ai×La)

    (6)

    拉普拉斯散度距離,拉普拉斯散度的最大值與最小值的差值,描述了區(qū)域散度的變化范圍。

    E6(Ai)=max(Ai×La)-min(Ai×La)

    (7)

    1.1.3紋理特征

    強(qiáng)度特征描述了體素灰度級(jí)分布的相關(guān)信息,基于統(tǒng)計(jì)法的紋理特征是從間隔等距離的空間像素間變化關(guān)系刻畫肺結(jié)節(jié)ROI的潛在特征,本文提取了基于灰度共生矩陣(Gray-LevelCo-occurrenceMatrix,GLCM)的角二階矩、慣性矩、逆差矩、和均值、方差、和方差、差分方差、熵、熵的和、差分熵、信息測(cè)度、相關(guān)系數(shù)、最大相關(guān)系數(shù)[5],基于Tamura紋理特征的粗糙度、對(duì)比度、方向度。

    基于以上對(duì)肺結(jié)節(jié)ROI的特征描述分析,表1給出了提取的42維特征分量集合,為便于后續(xù)測(cè)試,按表1中的書寫順序?qū)ζ湟来芜M(jìn)行編號(hào),其中形狀特征編號(hào)依次為fs1~fs18;強(qiáng)度特征編號(hào)依次為fi1~fi8;紋理特征編號(hào)依次為ft1~ft16。

    表1CT肺結(jié)節(jié)ROI特征集合

    特征類別特征分量維度形狀特征周長、面積、體積、圓形度、矩形度、伸長度、歐拉數(shù)、角點(diǎn)數(shù)、Hu矩(一階矩、二階矩、三階矩、四階矩、五階矩、六階矩、七階矩)、外接球形體積比、表面-中心距離標(biāo)準(zhǔn)差、外接長方體交線距離18強(qiáng)度特征灰度均值、灰度方差、偏斜度、峰度、最大最小灰度差值、強(qiáng)度梯度(由內(nèi)向外)、拉普拉斯散度均值、拉普拉斯散度差值8紋理特征Tamura紋理特征(粗糙度、對(duì)比度、方向度)、GLCM(角二階矩、慣性矩、逆差矩、和均值、方差、和方差、差分方差、熵、熵的和、差分熵、信息測(cè)度、相關(guān)系數(shù)、最大相關(guān)系數(shù))16

    1.2粗糙集屬性約簡

    醫(yī)學(xué)影像的特征分析有助于人為預(yù)判選取何種特征才能對(duì)ROI進(jìn)行最有效的特征表達(dá),但當(dāng)考慮采用高維特征集合全面刻畫ROI時(shí),人為選取特征描述的主觀性會(huì)造成特征分量信息交叉,使分類算法的性能難以到達(dá)最優(yōu)效果,剔除信息冗余的特征分量有利于構(gòu)建更具適用性、緊致性的肺結(jié)節(jié)檢測(cè)模型,因此,有效的特征降維是解決以上問題的有效途經(jīng)。主成分分析(PrincipalComponentAnalysis,PCA)作為通過特征變換的形式實(shí)現(xiàn)特征降維的常用方法,是把所有的特征分量作為一個(gè)整體進(jìn)行最優(yōu)線性投影,并不注重類別屬性的區(qū)分度,這種忽視掩蓋了非優(yōu)投影方向所存在的重要可分性信息,為彌補(bǔ)這種不足,本文采用粗糙集模型進(jìn)行屬性約簡,降低特征維度。

    粗糙集作為一種刻劃不確定性和不完整性的軟計(jì)算數(shù)學(xué)工具,其特點(diǎn)是無需特征集合的先驗(yàn)知識(shí)描述,而是直接從問題的分類知識(shí)出發(fā),在保持較高分類能力的情況下,通過不可分辨關(guān)系導(dǎo)出問題的約簡結(jié)果。其數(shù)學(xué)定義如下:

    設(shè)S=(U,A,V,F(xiàn))為一信息系統(tǒng),其中論域U={x1,x2,…,xn},A是屬性集合,V是屬性值集合,F(xiàn)是U中對(duì)象的屬性與其屬性值的關(guān)系映射:U×A→V。

    定義1令R={r1,r2,r3,…,rn},且r≠φ,則∩r也是一個(gè)等價(jià)關(guān)系,IND(r)稱為r上的不可分辨關(guān)系,即

    IND(r)={(xi, xj)∈U×U|f(xi, r)=f(xj, r) }

    定義2對(duì)于任一子集ri∈R,如果IND{R-{ri}}=IND(R),則稱ri是可以約簡掉的。通?;诖植诩膶傩约s簡并不是唯一的,即可能存在多個(gè)約簡子集。

    定義3若R劃分為條件屬性C和決策屬性D,則C∪D=R,C∩D=φ,當(dāng)D以依賴度K(0≤k≤1)依賴于C,記為C=>KD。

    1.3支持向量機(jī)及其優(yōu)化

    SVM是一種基于統(tǒng)計(jì)理論的有監(jiān)督學(xué)習(xí)模型,其主要思想是利用給定的訓(xùn)練樣本構(gòu)造最佳分類超平面,使距離超平面最近的不同類別元素之間的距離最大化。SVM具有學(xué)習(xí)性能優(yōu)、訓(xùn)練時(shí)間短、選擇參數(shù)少、泛化能力強(qiáng)、擬合精度高等優(yōu)點(diǎn),能夠解決線性可分和線性不可分的問題,常被用于目標(biāo)檢測(cè),模式識(shí)別[13-14]。SVM的優(yōu)化函數(shù)和分類函數(shù)為

    (8)

    (9)

    其中,0

    (10)

    懲罰系數(shù)C和核函數(shù)的參數(shù)g對(duì)SVM的分類性能有極其重要的影響,為了得到最優(yōu)分類結(jié)果,本文選用網(wǎng)格尋優(yōu)算法對(duì)其進(jìn)行優(yōu)化。網(wǎng)格尋優(yōu)算法是在一定的空間范圍中以網(wǎng)格的形式表示待搜索參數(shù),并通過遍歷網(wǎng)格中所有的點(diǎn)來尋找最優(yōu)參數(shù),具有簡單方便、穩(wěn)定性好、易于找出全局最優(yōu)解的優(yōu)點(diǎn)[15]。在SVM學(xué)習(xí)過程中,采用十折交叉驗(yàn)證計(jì)算出分類性能最優(yōu)的核函數(shù)參數(shù)和懲罰系數(shù),然后把優(yōu)選結(jié)果應(yīng)用于SVM分類器進(jìn)行肺結(jié)節(jié)的識(shí)別檢測(cè),最后選用檢測(cè)敏感性、特異性、正確率、算法耗時(shí)作為相關(guān)實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

    2本文算法

    本文選用70例肺結(jié)節(jié)患者的CT影像作為研究樣本,首先分割提取出經(jīng)過影像科醫(yī)生標(biāo)記的3種不同類型的肺結(jié)節(jié)(孤立性肺結(jié)節(jié)、血管粘附性肺結(jié)節(jié)、胸膜粘附性肺結(jié)節(jié))以及大量的非肺結(jié)節(jié)區(qū)域(血管、骨骼、肺泡等),分別從二維和三維角度提取出刻畫ROI的形狀特征18維,強(qiáng)度特征8維,紋理特征16維,共計(jì)42維特征分量(包括本文所提的6個(gè)新的三維特征);然后對(duì)提取的特征集合(標(biāo)識(shí)為FS)進(jìn)行數(shù)據(jù)補(bǔ)齊、離散化、歸一化處理,利用粗糙集模型對(duì)完善的特征數(shù)據(jù)進(jìn)行5次特征級(jí)融合(由于特征約簡子集不唯一,本文對(duì)提取的特征集合進(jìn)行5次約簡,分別標(biāo)識(shí)為RS1,RS2,RS3,RS4,RS5),選用其中的一組特征子集(RS1)作為以下對(duì)比實(shí)驗(yàn)最主要的實(shí)驗(yàn)測(cè)試組;最后采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM參數(shù),并將改進(jìn)的SVM主要應(yīng)用于設(shè)定的4組對(duì)比實(shí)驗(yàn),分別對(duì)比分析粗糙集約簡前后的特征分類有效性及穩(wěn)定性、基于粗糙集和基于PCA的特征級(jí)融合的識(shí)別性能、本文肺結(jié)節(jié)檢測(cè)算法和其他文獻(xiàn)肺結(jié)節(jié)檢測(cè)算法的識(shí)別性能。基于以上算法思想,圖2給出了基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法流程圖。

    圖2 基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)流程圖

    3仿真實(shí)驗(yàn)

    3.1實(shí)驗(yàn)環(huán)境

    本文實(shí)驗(yàn)所涉及的軟、硬件環(huán)境如下:

    軟件環(huán)境:Windows7操作系統(tǒng),MatlabR2014b,ImageJ1.48u,LibSVM。

    硬件環(huán)境:IntelCorei5 4670-3.4GHz,8.0Gbyte內(nèi)存,500Gbyte硬盤。

    實(shí)驗(yàn)數(shù)據(jù):采用經(jīng)過影像科醫(yī)生標(biāo)記的70例肺結(jié)節(jié)患者的CT圖像(共2 232幅,其中孤立性肺結(jié)節(jié)38例,血管粘附性肺結(jié)節(jié)17例,胸膜粘附性肺結(jié)節(jié)15例)作為實(shí)驗(yàn)樣本,大小均為512×512,厚度為2mm。圖3給出了3種不同類型的肺結(jié)節(jié)以及對(duì)應(yīng)的肺結(jié)節(jié)分割結(jié)果。

    圖3 肺結(jié)節(jié)分割結(jié)果

    本文對(duì)標(biāo)記的70個(gè)非結(jié)節(jié)區(qū)域和隨機(jī)抽樣的70個(gè)非肺結(jié)節(jié)區(qū)域分別提取了42維特征,表2給出了肺結(jié)節(jié)區(qū)域和非肺結(jié)節(jié)區(qū)域的42維特征值,為了能夠直觀了解不同特征的特征值分布情況和區(qū)分度對(duì)比,圖4給出了肺結(jié)節(jié)區(qū)域和非肺結(jié)節(jié)的外接球形體積比和表面-中心距離標(biāo)準(zhǔn)差的箱線圖。

    3.2實(shí)驗(yàn)一:基于粗糙集的特征級(jí)融合

    為避免小數(shù)值范圍的屬性值被大數(shù)值范圍的屬性值所支配,同時(shí)降低統(tǒng)計(jì)計(jì)算過程中的復(fù)雜度,首先對(duì)提取的特征集合進(jìn)行數(shù)據(jù)預(yù)處理(規(guī)范化差異性較大的數(shù)據(jù),并將數(shù)據(jù)線性映射到[0,1]之間),然后采用粗糙集模型進(jìn)行5次特征數(shù)據(jù)融合,融合結(jié)果如表3所示。

    3.3實(shí)驗(yàn)二:基于網(wǎng)格尋優(yōu)的SVM肺結(jié)節(jié)檢測(cè)

    1)粗糙集約簡前后的算法有效性驗(yàn)證實(shí)驗(yàn)

    本文采用十折交叉驗(yàn)證法分別計(jì)算特征集約簡

    表2結(jié)節(jié)區(qū)域和非結(jié)節(jié)區(qū)域的特征值

    形狀特征強(qiáng)度特征紋理特征結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域結(jié)節(jié)區(qū)域非結(jié)節(jié)區(qū)域957859.0691.09878.31045.401615912814.064.487212.04112.52162841780.5956-0.395680.43030.00670.65170.2112.73481.86690.77090.72750.69612.158755.186514.34810.71690.98650.35290.77780.510.80595.38940113.959820.60440.19420.04870.31861.0295729.905354.63890.77080.72730.06861.0197——0.80595.34980.00420.0458——3.50425.09710.00210.0295——0.65140.84530.00130.0268——0.09710.61430.00050.0011——4.403382.186201——0.06915.0061149——-0.5785-0.42450.53560.5571——2.3073.22390.30720.501788————0.17380.207122————

    a 外接球形體積比的箱線圖   b 表面-中心距離標(biāo)準(zhǔn)差的箱線圖

    子集標(biāo)識(shí)約簡結(jié)果維數(shù)RS1fs4,fs16,fs17,fs18,fi2,fi4,fi6,fi7,fi8,ft2,ft4,ft5,ft6,ft7,ft8,ft9,ft10,ft11,ft13,ft14,ft15,ft1621RS2fs4,fs9,fs16,fs18,fi1,fi2,fi5,ft2,ft5,ft6,ft8,ft9,ft10,ft11,ft12,ft13,ft1517RS3fs9,fs17,fs18,fi1,fi2,fi5,fi7,fi8,ft2,ft6,ft7,ft8,ft9,ft10,ft11,ft12,ft14,ft15,ft1619RS4fs9,fs16,fs18,fi1,fi2,fi5,fi7,fi8,ft5,ft6,ft7,ft8,fy9,ft10,ft11,ft12,ft14,ft15,ft1619RS5fs9,fs16,fs17,fs18,fi1,fi2,fi4,fi5,fi7,fi8,ft2,ft5,ft6,ft7,ft8,ft9,ft10,ft12,ft15,ft1620

    表4融合前后算法有效性統(tǒng)計(jì)表

    階段序號(hào)正確率/%敏感性/%特異性/%算法耗時(shí)/s融合前196.4292.861001.0610291.9683.931000.6170395.5410091.070.5490489.2810078.570.5630595.5491.071000.5470698.2196.431000.5460794.6489.291000.5460895.5391.071000.5460991.9683.931000.54601097.3210096.640.5300均值94.6492.8696.430.6051融合后(RS1)11001001000.937021001001000.436031001001000.387041001001000.421051001001000.421061001001000.390071001001000.4060891.6710083.330.406091001001000.3740101001001000.3930均值99.1710098.330.4571提升幅度4.537.141.90.148

    前后(粗糙集約簡后的數(shù)據(jù)集采用實(shí)驗(yàn)一得到的RS1(70×21)的分類正確率、敏感性、特異性、算法耗時(shí)等四個(gè)指標(biāo)對(duì)比分析兩者肺結(jié)節(jié)的分類識(shí)別性能,結(jié)果如表4所示。

    實(shí)驗(yàn)結(jié)果表明,經(jīng)過特征級(jí)融合后的肺結(jié)節(jié)檢測(cè)正確率有明顯提高,同時(shí)降低了漏診率(敏感性提升表明肺結(jié)節(jié)檢測(cè)中出現(xiàn)假陰性的概率降低)和誤診率(特異性提升表明肺結(jié)節(jié)檢測(cè)中出現(xiàn)假陽性的概率降低),算法耗時(shí)也有所縮減,這說明粗糙集約簡模型在本文提取的42維特征集合上進(jìn)行特征級(jí)融合是有效的,不僅提升了特征集的緊致度(消除了特征冗余和低區(qū)分度特征分量),也修正了特征集合中的異常數(shù)據(jù),進(jìn)一步提高了肺結(jié)節(jié)的檢測(cè)性能。表5給出了5組粗糙集約簡子集的有效性統(tǒng)計(jì)表。

    2)粗糙集約簡前后的算法穩(wěn)定性驗(yàn)證實(shí)驗(yàn)

    本文以不同的訓(xùn)練、測(cè)試比例(50/20、40/30、35/35、30/40、20/50)對(duì)肺結(jié)節(jié)特征數(shù)據(jù)(粗糙集約簡后的數(shù)據(jù)集采用實(shí)驗(yàn)一得到的RS1(70×21))進(jìn)行5輪分類檢測(cè),每輪樣本根據(jù)設(shè)定的訓(xùn)練、測(cè)試比例進(jìn)行隨機(jī)抽取,統(tǒng)計(jì)10次測(cè)試結(jié)果的均值作為對(duì)應(yīng)的正確率、敏感性、特異性、算法耗時(shí),對(duì)比結(jié)果如表6所示。

    表5粗糙集約簡子集有效性統(tǒng)計(jì)表

    標(biāo)識(shí)平均正確率/%平均敏感性/%平均特異性/%算法耗時(shí)/sRS199.1710098.330.4571RS297.596.6798.330.4650RS399.1710098.330.4656RS41001001000.4731RS598.3398.3398.330.4850均值98.839998.660.4672

    表6算法穩(wěn)定性統(tǒng)計(jì)表

    階段訓(xùn)練集/測(cè)試集正確率/%敏感性/%特異性/%算法耗時(shí)/s融合前50/2097.3594.711000.487340/3096.5393.0898.320.384635/3595.8392.3997.790.425430/4096.1695.5896.740.356020/5094.8894.6395.860.4236均值96.1594.0897.7420.4154融合后(RS1)50/2099.7199.411000.268440/3098.9699.5898.460.256835/3598.6599.2398.080.238230/4098.3798.6098.140.264620/5098.2597.6798.840.2636均值98.7998.8498.700.2583

    實(shí)驗(yàn)結(jié)果表明,隨著訓(xùn)練集與測(cè)試集的比率下降,粗糙集約簡子集分類正確率的下降趨勢(shì)并不明顯,而約簡前的分類正確率卻出現(xiàn)了一定的波動(dòng)(圖5給出了更為直觀的展示),這說明本文提出的基于粗糙集的特征級(jí)融合算法的分類穩(wěn)定性較高,不易受到樣本數(shù)據(jù)量單薄的干擾,表7給出了5組粗糙集約簡子集的穩(wěn)定性統(tǒng)計(jì)表。

    圖5 約簡前后檢測(cè)正確率走勢(shì)對(duì)比圖

    表7 5組粗糙集約簡子集分類對(duì)比表

    3)基于粗糙集特征級(jí)融合算法的優(yōu)越性驗(yàn)證實(shí)驗(yàn)

    由于PCA算法發(fā)展成熟,計(jì)算簡便,易于編程實(shí)現(xiàn),所以也成為大多數(shù)特征級(jí)融合的首選降維方法,為對(duì)比分析兩種特征級(jí)融合算法的對(duì)比度,本文對(duì)所提特征集合同時(shí)進(jìn)行了基于PCA的特征級(jí)融合,十折交叉驗(yàn)證的各項(xiàng)指標(biāo)結(jié)果如表8所示,圖6給出了這兩種特征級(jí)融合算法的分類性能對(duì)比圖(粗糙集約簡子集的有效性數(shù)據(jù)采用表3中RS1的驗(yàn)證結(jié)果,為便于觀察,圖6中將算法耗時(shí)放大了100倍)。

    表8PCA約簡子集有效性統(tǒng)計(jì)表

    序號(hào)正確率/%敏感性/%特異性/%算法耗時(shí)/s191.6783.331000.9970296.7493.481000.4830396.7493.481000.4880498.9110097.830.4950593.4886.961000.4950696.7410093.480.5140796.7410093.480.5120894.5789.131000.4890997.8395.651000.49901095.6593.4897.830.5180均值95.9193.5598.260.5490

    圖6 兩種特征級(jí)融合算法的對(duì)比圖

    實(shí)驗(yàn)結(jié)果表明,基于粗糙集特征級(jí)融合算法的各項(xiàng)性能指標(biāo)均優(yōu)于基于PCA的特征級(jí)融合算法,這說明粗糙集比PCA更適用于消除本文所提特征的冗余信息。

    4)與其他肺結(jié)節(jié)檢測(cè)算法的性能對(duì)比實(shí)驗(yàn)

    這里同時(shí)采用檢測(cè)正確率和單層切片誤檢率(FalsePositivesperscan,F(xiàn)P/s)作為肺結(jié)節(jié)檢測(cè)算法的評(píng)價(jià)指標(biāo),將本文算法與其他三種肺結(jié)節(jié)檢測(cè)算法的評(píng)價(jià)指標(biāo)(肺結(jié)節(jié)檢測(cè)算法的正確率均采用最優(yōu)檢測(cè)正確率)進(jìn)行對(duì)比分析,結(jié)果如表9所示(Pr:非公開數(shù)據(jù)庫;L:LIDC)。

    表9肺結(jié)節(jié)檢測(cè)算法對(duì)比表

    算法數(shù)據(jù)庫總結(jié)節(jié)數(shù)正確率/%FP/sSantos[7]L26088.41.17Netto[8]L4890.650.138Ye[9]Pr22090.28.2Tan[10]L17287.54Cascio[12]L148976.1本文算法Pr7099.170.47

    實(shí)驗(yàn)結(jié)果表明,本文提出的肺結(jié)節(jié)檢測(cè)算法在一定程度上優(yōu)于其他肺結(jié)節(jié)檢測(cè)算法的識(shí)別檢測(cè)性能,這說明本文不僅通過補(bǔ)充、改進(jìn)特征分量提高了CT肺結(jié)節(jié)ROI的特征描述的全面性和刻畫的準(zhǔn)確度,而且結(jié)合粗糙集特征級(jí)融合的思想剔除了冗余特征和特征數(shù)據(jù)中的不規(guī)則信息,提升了特征集合的緊致度,從而提高了整體的肺結(jié)節(jié)檢測(cè)性能。

    4小結(jié)

    本文從CT影像的肺結(jié)節(jié)檢測(cè)出發(fā),分析了肺結(jié)節(jié)檢測(cè)算法的研究現(xiàn)狀,提出了一種基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法。該算法針對(duì)特征提取過程中的特征描述不充分、刻畫不準(zhǔn)確問題,提出了六個(gè)新的三維特征,并結(jié)合其他二維、三維特征共同提取、量化ROI的特征信息,但提取的高維特征集合存在特征信息交叉的問題,本文利用粗糙集進(jìn)行特征級(jí)融合,降低了特征集合的維度,采用網(wǎng)格尋優(yōu)算法優(yōu)化SVM核函數(shù),并以此分類器進(jìn)行檢測(cè)識(shí)別,最后采用4組對(duì)比實(shí)驗(yàn)驗(yàn)證本文算法的肺結(jié)節(jié)檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明,基于粗糙集的特征級(jí)融合肺結(jié)節(jié)檢測(cè)算法是有效的,該算法的分類正確率基本能夠滿足醫(yī)學(xué)影像學(xué)對(duì)肺結(jié)節(jié)的檢測(cè)識(shí)別要求,對(duì)于肺結(jié)節(jié)的檢測(cè)以及肺癌的輔助診斷研究具有重要的價(jià)值。

    參考文獻(xiàn):

    [1]RIAZSP,LüCHTENBORGM,COUPLANDVH,etal.Trendsinincidenceofsmallcelllungcancerandalllungcancer[J].Lungcancer,2012,75(3):280-284.

    [2]FERLAYJ,SOERJOMATARAMI,DIKSHITR,etal.Cancerincidenceandmortalityworldwide:sources,methodsandmajorpatternsinGLOBOCAN2012[J].InternationalJournalofCancer,2015,136(5): 359-386.

    [3]BALDWINDR.Predictionofriskoflungcancerinpopulationsandinpulmonarynodules:Significantprogresstodrivechangesinparadigms[J].Lungcancer,2015,89(1):1-3.

    [4]DICIOTTIS,PICOZZIG,F(xiàn)ALCHINIM,etal. 3-DsegmentationalgorithmofsmalllungnodulesinspiralCTimages[J].IEEEtransactionsoninformationtechnologyinbiomedicine, 2008,12(1):7-19.

    [5]THEODORIDISS,KOUTROUMBASK.Patternrecognition[M]. 李晶皎,王愛俠,王嬌,譯.北京:電子工業(yè)出版社, 2010.

    [6]SAHINERB,CHANHP,HADJIISKILM,etal.EffectofCADonradiologists'detectionoflungnodulesonthoracicCTscans:analysisofanobserverperformancestudybynodulesize[C]//Proc.ofSPIE. [S.l.]:IEEEPress,2009,16(12):1518-1530.

    [7]SANTOSAM,F(xiàn)ILHOAODC,SILVAAC,etal.Automaticdetectionofsmalllungnodulesin3DCTdatausingGaussianmixturemodels,TsallisentropyandSVM[J].Engineeringapplicationsofartificialintelligence,2014(36):27-39.

    [8]NETTOSMB,SILVAAC,NUNESRA,etal.Automaticsegmentationoflungnoduleswithgrowingneuralgasandsupportvectormachine[J].Computersinbiologyandmedicine,2012,42(11):1110-1121.

    [9]YEX,LINX,DEHMESHKIJ,etal.Shape-basedcomputer-aideddetectionoflungnodulesinthoracicCTimages[J].IEEEtransactionsonbiomedicalengineering,2009,56(7):1810-1820.

    [10]TANM,DEKLERCKR,JANSENB,etal.Anovelcomputer-aidedlungnoduledetectionsystemforCTimages[J].Medicalphysics,2011,10 (38):5630-5645.

    [11]LIQ,LIF,DOIK.Computerizeddetectionoflungnodulesinthin-sectionCTimagesbyuseofselectiveenhancementfiltersandanautomatedrule-basedclassifier[J].Academicradiology,2008,15(2):165-175.

    [12]CASCIOD,MAGROR,F(xiàn)AUCIF.AutomaticdetectionoflungnodulesinCTdatasetsbasedonstable3Dmass-springmodels[J].Computersinbiologyandmedicine,2012,42: 1098-1109.

    [13]RAJAR,DUTTAA,VENKATESHKS.Newpotentialfieldmethodforroughterrainpathplanningusinggeneticalgorithmfora6-wheelrover[J].Roboticsandautonomoussystems,2015,72:295-306.

    [14]CHENGD,WANGJJ,WEIX,etal.TrainingmixtureofweightedSVMforobjectdetectionusingEMalgorithm[J].Neurocomputing,2015,149(B):473-482.

    [15]CHOROWSKIJ,WANGJ,ZURADAJM.ReviewandperformancecomparisonofSVM-andELM-basedclassifiers[J].Neurocomputing,2014,128:507-516.

    責(zé)任編輯:閆雯雯

    Lungnodulesdetectionbasedonroughsetsatfeaturelevel

    ZHANGJunjie1a,ZHOUTao1b,XIAYong2,WANGWenwen1a

    (1a.College of Management;1b.School of Science, Ningxia Medical University, Yinchuan 750004, China;2.School of Computer Science, Northwestern Polytechnical University, Xi’an 710100, China)

    Abstract:Based on the detection of lung nodules as the research target, in terms of the two problemsof lung nodules detection algorithmat the feature level fusionthat features structure is not reasonable and feature expression is not tight, a lung nodule detection algorithm based on rough setsat feature level fusion is proposed.The algorithm firstly analyze medical signs of lung CT image, six new 3d characteristics are proposed, and other 2d and 3d features as a total of 42 features quantitative ROI; then based on rough sets to extract the feature sets for 5 times experiments; at last the grid optimization algorithm is used to optimize the kernel function of SVM as classifier to identify the lung nodules. Based on 70 cases of lung nodules in patients with lung CT images as the original data, through four groups of experiments verify the validity and stability of the algorithm, and the experimental results show that after the lung nodules detection algorithm of rough set feature level fusion effectively improved the recognition ability of lung nodules.

    Key words:lung nodules detection; rough sets; feature extraction; feature reduction; SVM

    中圖分類號(hào):TN911.73

    文獻(xiàn)標(biāo)志碼:A

    DOI:10.16280/j.videoe.2016.03.028

    基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目(81160183;61561040);寧夏自然科學(xué)基金項(xiàng)目(NZ12179;NZ14085);寧夏高等學(xué)校科研項(xiàng)目(NGY2013062) ;陜西省語音與圖像信息處理重點(diǎn)實(shí)驗(yàn)室開放課題資助項(xiàng)目(SJ2013003)

    收稿日期:2015-10-19

    文獻(xiàn)引用格式:張俊杰,周濤,夏勇,等. 基于粗糙集特征級(jí)融合的肺結(jié)節(jié)檢測(cè)算法[J].電視技術(shù),2016,40(3):130-137.

    ZHANGJJ,ZHOUT,XIAY,etal.Lungnodulesdetectionbasedonroughsetsatfeaturelevel[J].Videoengineering, 2016,40(3):130-137.

    猜你喜歡
    支持向量機(jī)粗糙集特征提取
    基于Pawlak粗糙集模型的集合運(yùn)算關(guān)系
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    動(dòng)態(tài)場(chǎng)景中的視覺目標(biāo)識(shí)別方法分析
    論提高裝備故障預(yù)測(cè)準(zhǔn)確度的方法途徑
    基于熵技術(shù)的公共事業(yè)費(fèi)最優(yōu)組合預(yù)測(cè)
    多?;植诩再|(zhì)的幾個(gè)充分條件
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    雙論域粗糙集在故障診斷中的應(yīng)用
    兩個(gè)域上的覆蓋變精度粗糙集模型
    婷婷色麻豆天堂久久 | 中文字幕免费在线视频6| 一级毛片aaaaaa免费看小| 色综合色国产| 日韩中字成人| 丝袜美腿在线中文| 韩国高清视频一区二区三区| 亚洲无线观看免费| 午夜福利在线在线| 免费看美女性在线毛片视频| 国产69精品久久久久777片| 天堂av国产一区二区熟女人妻| 在线a可以看的网站| 婷婷色综合大香蕉| 色播亚洲综合网| 超碰97精品在线观看| 久久久久久久久中文| 两个人的视频大全免费| 国产亚洲午夜精品一区二区久久 | 成人漫画全彩无遮挡| 男插女下体视频免费在线播放| 女的被弄到高潮叫床怎么办| 国产精品99久久久久久久久| 婷婷色综合大香蕉| 国产精品久久视频播放| 一卡2卡三卡四卡精品乱码亚洲| 久久久久免费精品人妻一区二区| 亚洲国产精品sss在线观看| a级毛片免费高清观看在线播放| 中文乱码字字幕精品一区二区三区 | 精品99又大又爽又粗少妇毛片| 欧美激情国产日韩精品一区| 日本五十路高清| 亚洲欧洲日产国产| 久久精品夜色国产| 日日摸夜夜添夜夜添av毛片| 日本五十路高清| 午夜老司机福利剧场| 18禁在线无遮挡免费观看视频| 亚洲精品影视一区二区三区av| videossex国产| 日韩亚洲欧美综合| a级毛色黄片| 中文字幕亚洲精品专区| av在线老鸭窝| 午夜视频国产福利| 亚洲最大成人中文| av.在线天堂| 汤姆久久久久久久影院中文字幕 | 丝袜喷水一区| 天堂av国产一区二区熟女人妻| 国产老妇女一区| 亚洲av男天堂| 亚洲国产精品成人久久小说| 久久亚洲国产成人精品v| 2022亚洲国产成人精品| 噜噜噜噜噜久久久久久91| 熟女人妻精品中文字幕| 色5月婷婷丁香| 2021天堂中文幕一二区在线观| 国产亚洲最大av| 亚洲人与动物交配视频| 91狼人影院| 日韩精品青青久久久久久| 97在线视频观看| 三级毛片av免费| 亚洲人成网站在线观看播放| 中文欧美无线码| 偷拍熟女少妇极品色| 国产精品一二三区在线看| 久久亚洲国产成人精品v| 亚洲精品,欧美精品| 成人漫画全彩无遮挡| 超碰97精品在线观看| 日韩国内少妇激情av| 97人妻精品一区二区三区麻豆| 日本免费a在线| 久久99热6这里只有精品| 国产伦一二天堂av在线观看| 国内揄拍国产精品人妻在线| 午夜福利视频1000在线观看| 免费人成在线观看视频色| 91久久精品电影网| 免费大片18禁| 午夜福利成人在线免费观看| 国产精品1区2区在线观看.| 欧美日韩精品成人综合77777| 国产真实伦视频高清在线观看| 免费黄网站久久成人精品| 成年免费大片在线观看| 亚洲国产成人一精品久久久| av线在线观看网站| 青春草视频在线免费观看| 久久久久久久久久成人| 女人久久www免费人成看片 | 亚洲国产欧美人成| 欧美成人a在线观看| 国产片特级美女逼逼视频| 特大巨黑吊av在线直播| 国产亚洲av片在线观看秒播厂 | 欧美高清性xxxxhd video| kizo精华| 汤姆久久久久久久影院中文字幕 | 日本免费一区二区三区高清不卡| 亚洲av中文av极速乱| 免费看a级黄色片| 九九久久精品国产亚洲av麻豆| 色哟哟·www| 国产成人a∨麻豆精品| 非洲黑人性xxxx精品又粗又长| 久久久久久久久久久丰满| 国产亚洲精品av在线| 九九在线视频观看精品| 亚洲欧美精品专区久久| 国产欧美另类精品又又久久亚洲欧美| 欧美一区二区亚洲| 日本一二三区视频观看| 特大巨黑吊av在线直播| 99视频精品全部免费 在线| 国产精品,欧美在线| 男人和女人高潮做爰伦理| a级一级毛片免费在线观看| 2022亚洲国产成人精品| 美女内射精品一级片tv| 可以在线观看毛片的网站| 成人毛片a级毛片在线播放| 久久久久久大精品| 欧美成人免费av一区二区三区| 网址你懂的国产日韩在线| 在线免费观看的www视频| 人妻少妇偷人精品九色| 91狼人影院| 久久亚洲精品不卡| 亚洲成人久久爱视频| 国产亚洲精品av在线| 国产 一区精品| 亚洲精品影视一区二区三区av| 男人舔奶头视频| 日本wwww免费看| 一级毛片我不卡| 国产精品电影一区二区三区| 婷婷色综合大香蕉| 一区二区三区乱码不卡18| 国产色婷婷99| www日本黄色视频网| 最后的刺客免费高清国语| 真实男女啪啪啪动态图| 欧美一区二区精品小视频在线| 亚洲精品乱码久久久v下载方式| 日韩欧美在线乱码| 99久久中文字幕三级久久日本| 99久国产av精品国产电影| 欧美变态另类bdsm刘玥| 日本wwww免费看| 一本一本综合久久| 天堂av国产一区二区熟女人妻| 深夜a级毛片| 69av精品久久久久久| 女人被狂操c到高潮| 夜夜爽夜夜爽视频| 精华霜和精华液先用哪个| 亚洲国产欧美人成| 国产成人aa在线观看| 亚洲,欧美,日韩| 久久婷婷人人爽人人干人人爱| 一本一本综合久久| av在线亚洲专区| 亚洲怡红院男人天堂| 2021少妇久久久久久久久久久| 国产欧美日韩精品一区二区| 蜜臀久久99精品久久宅男| 国产黄色小视频在线观看| 国产在视频线在精品| 中文天堂在线官网| 综合色丁香网| 可以在线观看毛片的网站| 亚洲欧美日韩无卡精品| 中文乱码字字幕精品一区二区三区 | 在线播放无遮挡| 男女下面进入的视频免费午夜| 国产精品嫩草影院av在线观看| 国产成人午夜福利电影在线观看| 亚洲怡红院男人天堂| 午夜爱爱视频在线播放| 不卡视频在线观看欧美| 麻豆国产97在线/欧美| 蜜桃亚洲精品一区二区三区| 亚洲精品aⅴ在线观看| 超碰av人人做人人爽久久| 99久久成人亚洲精品观看| ponron亚洲| av视频在线观看入口| 国产高清三级在线| 在线观看一区二区三区| 欧美色视频一区免费| 久久久久久久久久成人| av又黄又爽大尺度在线免费看 | 午夜福利高清视频| 一夜夜www| 精品久久久噜噜| 亚洲乱码一区二区免费版| 成人无遮挡网站| 麻豆一二三区av精品| 成人国产麻豆网| 在线免费十八禁| 岛国毛片在线播放| 嫩草影院精品99| 亚洲不卡免费看| 中文天堂在线官网| 69av精品久久久久久| 国产精品电影一区二区三区| 少妇被粗大猛烈的视频| 三级国产精品片| 直男gayav资源| 亚洲在久久综合| 22中文网久久字幕| 精品久久国产蜜桃| 水蜜桃什么品种好| 国产69精品久久久久777片| 国产免费又黄又爽又色| 国产毛片a区久久久久| 国产 一区精品| 成人午夜高清在线视频| 国产一级毛片在线| 久久精品国产亚洲av涩爱| 国产亚洲5aaaaa淫片| 亚洲最大成人av| 三级毛片av免费| 成人欧美大片| 22中文网久久字幕| 亚洲国产欧美人成| 中文字幕精品亚洲无线码一区| 国产精品野战在线观看| www日本黄色视频网| 在线免费十八禁| 欧美不卡视频在线免费观看| 亚洲欧洲日产国产| 亚洲在线自拍视频| www.色视频.com| 秋霞在线观看毛片| 国产女主播在线喷水免费视频网站 | 校园人妻丝袜中文字幕| 人人妻人人看人人澡| 免费av毛片视频| 欧美丝袜亚洲另类| 日韩欧美 国产精品| av卡一久久| 国产精品不卡视频一区二区| АⅤ资源中文在线天堂| 国产高清三级在线| 色综合亚洲欧美另类图片| 日本黄色片子视频| 久久久亚洲精品成人影院| 久久午夜福利片| 亚洲无线观看免费| 丰满乱子伦码专区| 99热精品在线国产| 国产成人免费观看mmmm| 成年av动漫网址| 欧美又色又爽又黄视频| 乱系列少妇在线播放| av福利片在线观看| 免费搜索国产男女视频| 国产成人freesex在线| 精品久久久久久久久av| 国产日韩欧美在线精品| 久久久久久久久大av| 美女高潮的动态| 寂寞人妻少妇视频99o| 日韩av在线大香蕉| 国产免费男女视频| 激情 狠狠 欧美| 国产精品麻豆人妻色哟哟久久 | 99国产精品一区二区蜜桃av| 亚洲欧美成人精品一区二区| 床上黄色一级片| 级片在线观看| 午夜a级毛片| 国产精品一二三区在线看| 1000部很黄的大片| 久久久色成人| 亚洲中文字幕日韩| 成人无遮挡网站| 看免费成人av毛片| 日韩成人av中文字幕在线观看| 精品国内亚洲2022精品成人| 国产成年人精品一区二区| 午夜精品国产一区二区电影 | 国产精品人妻久久久久久| 国产高清视频在线观看网站| 亚洲天堂国产精品一区在线| 亚洲欧洲国产日韩| 免费看日本二区| 久久精品人妻少妇| 国产人妻一区二区三区在| 美女脱内裤让男人舔精品视频| av在线播放精品| 看非洲黑人一级黄片| 亚洲人与动物交配视频| 日韩人妻高清精品专区| 99久久精品国产国产毛片| 少妇高潮的动态图| 久久久精品欧美日韩精品| 国产日韩欧美在线精品| 国产一区亚洲一区在线观看| 午夜久久久久精精品| av国产免费在线观看| 免费黄色在线免费观看| 欧美精品一区二区大全| 简卡轻食公司| 中文天堂在线官网| 成人性生交大片免费视频hd| 永久免费av网站大全| 日日摸夜夜添夜夜爱| 高清视频免费观看一区二区 | 精品无人区乱码1区二区| 我的老师免费观看完整版| 插阴视频在线观看视频| 亚洲成人av在线免费| 国产黄片视频在线免费观看| 一个人看视频在线观看www免费| 色综合站精品国产| 国产成人午夜福利电影在线观看| 亚洲成人精品中文字幕电影| 免费观看的影片在线观看| 九九久久精品国产亚洲av麻豆| 免费大片18禁| 国产淫片久久久久久久久| 亚洲欧美成人精品一区二区| 国内少妇人妻偷人精品xxx网站| 色哟哟·www| 欧美3d第一页| 国产高清不卡午夜福利| 九色成人免费人妻av| 啦啦啦啦在线视频资源| 波野结衣二区三区在线| 亚洲欧洲日产国产| 国产精品蜜桃在线观看| 欧美日韩一区二区视频在线观看视频在线 | 麻豆国产97在线/欧美| 如何舔出高潮| 国内精品美女久久久久久| 最近视频中文字幕2019在线8| 欧美高清性xxxxhd video| 三级国产精品欧美在线观看| 国模一区二区三区四区视频| 欧美区成人在线视频| 性插视频无遮挡在线免费观看| 国产毛片a区久久久久| 日日干狠狠操夜夜爽| 一个人看视频在线观看www免费| 美女xxoo啪啪120秒动态图| 国产成人午夜福利电影在线观看| 青春草亚洲视频在线观看| 国产在线男女| 狂野欧美激情性xxxx在线观看| 亚洲丝袜综合中文字幕| 亚洲欧洲日产国产| 日韩在线高清观看一区二区三区| 偷拍熟女少妇极品色| 中国美白少妇内射xxxbb| 国产精品爽爽va在线观看网站| 国产欧美日韩精品一区二区| 久久久久久大精品| 国产伦理片在线播放av一区| 一夜夜www| 一个人看视频在线观看www免费| 一级毛片久久久久久久久女| 日韩国内少妇激情av| 日本av手机在线免费观看| 欧美日本视频| 嫩草影院新地址| 两性午夜刺激爽爽歪歪视频在线观看| 久久6这里有精品| 日本熟妇午夜| 久久韩国三级中文字幕| 欧美日韩综合久久久久久| 性插视频无遮挡在线免费观看| 免费无遮挡裸体视频| 色播亚洲综合网| 三级经典国产精品| 亚洲综合精品二区| 国产成人精品久久久久久| 日本欧美国产在线视频| 久久热精品热| 久久99热6这里只有精品| 国产精品福利在线免费观看| 欧美成人免费av一区二区三区| www日本黄色视频网| 青春草国产在线视频| 蜜臀久久99精品久久宅男| 久久99热6这里只有精品| 欧美日韩在线观看h| 蜜桃亚洲精品一区二区三区| 草草在线视频免费看| 国产av一区在线观看免费| 菩萨蛮人人尽说江南好唐韦庄 | 美女大奶头视频| 国产v大片淫在线免费观看| 国产一区二区在线观看日韩| 尤物成人国产欧美一区二区三区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美xxxx黑人xx丫x性爽| 国产高清不卡午夜福利| 男人和女人高潮做爰伦理| 一区二区三区高清视频在线| 国产乱来视频区| 精品人妻视频免费看| 久热久热在线精品观看| 国产伦精品一区二区三区视频9| 日本三级黄在线观看| 日本wwww免费看| 中文在线观看免费www的网站| av免费在线看不卡| 一级毛片aaaaaa免费看小| 九九热线精品视视频播放| kizo精华| 亚洲欧美日韩卡通动漫| 在线天堂最新版资源| 亚洲欧美日韩高清专用| 2022亚洲国产成人精品| 18禁动态无遮挡网站| 免费播放大片免费观看视频在线观看 | 国产探花极品一区二区| 亚洲av熟女| 一个人看的www免费观看视频| 18禁裸乳无遮挡免费网站照片| 亚洲中文字幕一区二区三区有码在线看| 国产淫片久久久久久久久| 亚洲精品自拍成人| 特大巨黑吊av在线直播| 国产精品一及| 99久久精品一区二区三区| 最近视频中文字幕2019在线8| 精品少妇黑人巨大在线播放 | 国产女主播在线喷水免费视频网站 | 嘟嘟电影网在线观看| 午夜a级毛片| 国产 一区 欧美 日韩| 亚洲国产欧洲综合997久久,| 欧美变态另类bdsm刘玥| 最近中文字幕高清免费大全6| h日本视频在线播放| 插阴视频在线观看视频| 精品人妻偷拍中文字幕| 嘟嘟电影网在线观看| 99久久精品热视频| 成人综合一区亚洲| 乱人视频在线观看| 国内精品一区二区在线观看| 国语对白做爰xxxⅹ性视频网站| 国产女主播在线喷水免费视频网站 | 晚上一个人看的免费电影| 成人国产麻豆网| 久久久久久久亚洲中文字幕| 久久久精品欧美日韩精品| 看免费成人av毛片| 毛片女人毛片| 波多野结衣高清无吗| 国产单亲对白刺激| 亚洲伊人久久精品综合 | 一边亲一边摸免费视频| 1024手机看黄色片| 三级经典国产精品| 亚洲av一区综合| 夫妻性生交免费视频一级片| 在线观看美女被高潮喷水网站| 秋霞伦理黄片| 黑人高潮一二区| 国产av一区在线观看免费| 26uuu在线亚洲综合色| 韩国高清视频一区二区三区| 男女啪啪激烈高潮av片| 亚洲国产精品成人久久小说| 久久精品91蜜桃| 99久久无色码亚洲精品果冻| 特级一级黄色大片| 男女视频在线观看网站免费| 亚洲欧美精品自产自拍| 99热全是精品| 久久这里只有精品中国| 青春草视频在线免费观看| 偷拍熟女少妇极品色| 国产精品一区二区在线观看99 | 久久人人爽人人片av| www日本黄色视频网| av在线老鸭窝| 欧美性感艳星| 美女脱内裤让男人舔精品视频| 水蜜桃什么品种好| 3wmmmm亚洲av在线观看| 国产日韩欧美在线精品| 18禁在线播放成人免费| 国产高清不卡午夜福利| 国产美女午夜福利| 亚洲自拍偷在线| 又爽又黄a免费视频| 国产精品日韩av在线免费观看| 亚洲在久久综合| 国产在视频线精品| 亚洲精品久久久久久婷婷小说 | 91aial.com中文字幕在线观看| 久久精品国产鲁丝片午夜精品| 国产亚洲午夜精品一区二区久久 | 亚洲人成网站在线观看播放| 免费搜索国产男女视频| 91久久精品电影网| 一级av片app| 亚洲怡红院男人天堂| 99久久精品一区二区三区| 日日干狠狠操夜夜爽| 午夜福利在线观看免费完整高清在| 亚洲av免费高清在线观看| 亚洲中文字幕一区二区三区有码在线看| 午夜精品在线福利| 熟女人妻精品中文字幕| 极品教师在线视频| 日韩制服骚丝袜av| 男女那种视频在线观看| 九色成人免费人妻av| 亚洲精华国产精华液的使用体验| 偷拍熟女少妇极品色| 大香蕉久久网| 插阴视频在线观看视频| 亚洲色图av天堂| 国产精品久久久久久av不卡| 一级黄色大片毛片| 日韩高清综合在线| 亚洲国产精品合色在线| 国产免费视频播放在线视频 | 99久久九九国产精品国产免费| 一区二区三区乱码不卡18| 午夜福利高清视频| 久久精品国产99精品国产亚洲性色| 日产精品乱码卡一卡2卡三| 国产老妇伦熟女老妇高清| 22中文网久久字幕| 国产精品久久久久久精品电影小说 | 男人舔奶头视频| 91精品国产九色| 国内揄拍国产精品人妻在线| 国产高清三级在线| 亚洲内射少妇av| 伦精品一区二区三区| 国产成人a∨麻豆精品| 成年女人看的毛片在线观看| 人妻少妇偷人精品九色| 日本五十路高清| 久热久热在线精品观看| 亚洲欧美成人综合另类久久久 | 精品一区二区免费观看| av线在线观看网站| 中文精品一卡2卡3卡4更新| 午夜免费男女啪啪视频观看| 在线观看美女被高潮喷水网站| 九草在线视频观看| 国语对白做爰xxxⅹ性视频网站| 人妻夜夜爽99麻豆av| 亚洲成人久久爱视频| 神马国产精品三级电影在线观看| 久久99热6这里只有精品| 精品人妻视频免费看| 亚洲av不卡在线观看| 午夜a级毛片| videos熟女内射| 亚洲自偷自拍三级| 国产激情偷乱视频一区二区| 国产精品精品国产色婷婷| 国产成人freesex在线| 国产精品久久视频播放| 中文亚洲av片在线观看爽| 中文乱码字字幕精品一区二区三区 | 久久久久免费精品人妻一区二区| 国产黄片视频在线免费观看| .国产精品久久| 男人和女人高潮做爰伦理| 日韩av不卡免费在线播放| 免费黄色在线免费观看| 少妇人妻一区二区三区视频| 亚洲精品乱码久久久v下载方式| 在线免费观看的www视频| 欧美一级a爱片免费观看看| 久久综合国产亚洲精品| 人妻夜夜爽99麻豆av| 高清毛片免费看| 少妇的逼好多水| 亚洲色图av天堂| 99热这里只有是精品在线观看| 国产成年人精品一区二区| 国产精品国产高清国产av| 久久精品夜色国产| 日韩欧美三级三区| 欧美激情久久久久久爽电影| 中文字幕精品亚洲无线码一区| 在线免费观看的www视频| 亚洲最大成人中文| 成人性生交大片免费视频hd| 色综合亚洲欧美另类图片| 特级一级黄色大片| 精品人妻熟女av久视频| 免费av毛片视频| 两性午夜刺激爽爽歪歪视频在线观看| 乱系列少妇在线播放| 亚洲欧洲国产日韩| 精品人妻一区二区三区麻豆| 一级二级三级毛片免费看| 亚洲av日韩在线播放| 亚洲人成网站在线播| 青春草亚洲视频在线观看| 我的老师免费观看完整版| 别揉我奶头 嗯啊视频| 免费观看人在逋| 一区二区三区高清视频在线| 久久精品国产亚洲av天美| 18禁在线播放成人免费|