• <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
    男女下面插进去视频免费观看| 精品人妻1区二区| 国产成人av激情在线播放| 18禁裸乳无遮挡动漫免费视频| 国产区一区二久久| 精品国产一区二区久久| 亚洲五月婷婷丁香| 久久天躁狠狠躁夜夜2o2o| 中文字幕人妻丝袜制服| 亚洲一区高清亚洲精品| 亚洲在线自拍视频| 不卡一级毛片| 国产91精品成人一区二区三区| 男女免费视频国产| 两人在一起打扑克的视频| 啦啦啦视频在线资源免费观看| 亚洲中文字幕日韩| 国产精品二区激情视频| 免费观看a级毛片全部| 国产高清国产精品国产三级| 成人特级黄色片久久久久久久| 他把我摸到了高潮在线观看| 男人的好看免费观看在线视频 | 黄色丝袜av网址大全| 免费日韩欧美在线观看| 国产xxxxx性猛交| 久久中文字幕一级| 老司机午夜福利在线观看视频| 午夜日韩欧美国产| 国产精品久久久av美女十八| 叶爱在线成人免费视频播放| 夜夜夜夜夜久久久久| 国产成人精品久久二区二区免费| 亚洲美女黄片视频| 在线看a的网站| 18禁裸乳无遮挡动漫免费视频| 女人爽到高潮嗷嗷叫在线视频| 日韩欧美国产一区二区入口| 国内毛片毛片毛片毛片毛片| 极品人妻少妇av视频| 真人做人爱边吃奶动态| 女人高潮潮喷娇喘18禁视频| 极品教师在线免费播放| 久久精品国产99精品国产亚洲性色 | 国产在线观看jvid| 99国产精品一区二区蜜桃av | 宅男免费午夜| 男人的好看免费观看在线视频 | 身体一侧抽搐| 老汉色av国产亚洲站长工具| 亚洲人成伊人成综合网2020| 99国产精品一区二区三区| 午夜福利视频在线观看免费| 久久久久久久精品吃奶| 中文字幕最新亚洲高清| 黄网站色视频无遮挡免费观看| 国产精品国产av在线观看| 交换朋友夫妻互换小说| 搡老乐熟女国产| 麻豆成人av在线观看| 国产精品久久久人人做人人爽| 久久亚洲真实| 人人澡人人妻人| 国产99白浆流出| 美女高潮喷水抽搐中文字幕| 桃红色精品国产亚洲av| 亚洲情色 制服丝袜| 一区二区三区激情视频| 女人久久www免费人成看片| av福利片在线| 在线国产一区二区在线| 欧美av亚洲av综合av国产av| 国产精品 国内视频| 法律面前人人平等表现在哪些方面| 曰老女人黄片| 免费在线观看完整版高清| 欧美成狂野欧美在线观看| 怎么达到女性高潮| av天堂在线播放| 成在线人永久免费视频| 高清av免费在线| a级毛片黄视频| 国产精品香港三级国产av潘金莲| 大型av网站在线播放| av网站在线播放免费| 午夜激情av网站| 丰满的人妻完整版| 十八禁人妻一区二区| 久久午夜综合久久蜜桃| 精品电影一区二区在线| 中文字幕人妻丝袜制服| 欧美日韩亚洲国产一区二区在线观看 | 咕卡用的链子| 午夜福利乱码中文字幕| 久久精品91无色码中文字幕| 欧美久久黑人一区二区| 中文字幕制服av| 一个人免费在线观看的高清视频| 国产97色在线日韩免费| 高清欧美精品videossex| 黑人巨大精品欧美一区二区蜜桃| 亚洲av日韩在线播放| 成人三级做爰电影| 在线观看www视频免费| 一二三四社区在线视频社区8| 亚洲熟女精品中文字幕| 好看av亚洲va欧美ⅴa在| 乱人伦中国视频| 叶爱在线成人免费视频播放| 搡老乐熟女国产| 欧美亚洲日本最大视频资源| 丝袜美腿诱惑在线| 亚洲欧洲精品一区二区精品久久久| 麻豆乱淫一区二区| 国产免费现黄频在线看| 成人三级做爰电影| 免费在线观看影片大全网站| 一夜夜www| 法律面前人人平等表现在哪些方面| 亚洲五月色婷婷综合| 亚洲男人天堂网一区| 别揉我奶头~嗯~啊~动态视频| 看片在线看免费视频| 99国产极品粉嫩在线观看| 狠狠婷婷综合久久久久久88av| av网站在线播放免费| 黑人巨大精品欧美一区二区mp4| 亚洲成av片中文字幕在线观看| 99热国产这里只有精品6| 精品国产国语对白av| 欧美在线黄色| 制服诱惑二区| 欧美日韩瑟瑟在线播放| 另类亚洲欧美激情| 久久这里只有精品19| 亚洲va日本ⅴa欧美va伊人久久| 80岁老熟妇乱子伦牲交| 男人操女人黄网站| 99国产精品一区二区三区| 国产av一区二区精品久久| 国产色视频综合| 久久 成人 亚洲| 精品亚洲成国产av| 欧美亚洲 丝袜 人妻 在线| 黄色毛片三级朝国网站| 一区福利在线观看| 99热国产这里只有精品6| 亚洲专区字幕在线| 午夜福利,免费看| 黄色片一级片一级黄色片| 成人永久免费在线观看视频| 91麻豆精品激情在线观看国产 | 精品高清国产在线一区| 日韩欧美一区二区三区在线观看 | 黄色成人免费大全| 成人亚洲精品一区在线观看| 欧美日韩亚洲国产一区二区在线观看 | 久久精品国产清高在天天线| 99热国产这里只有精品6| 亚洲自偷自拍图片 自拍| av视频免费观看在线观看| 免费观看a级毛片全部| 美国免费a级毛片| 在线观看免费视频网站a站| 男人的好看免费观看在线视频 | 亚洲男人天堂网一区| 国产男女超爽视频在线观看| 国产成人av教育| 丝袜美足系列| av线在线观看网站| 亚洲熟妇熟女久久| aaaaa片日本免费| 久久久久久久久免费视频了| 水蜜桃什么品种好| 午夜影院日韩av| 亚洲精品美女久久av网站| 一级片免费观看大全| 亚洲综合色网址| 免费在线观看视频国产中文字幕亚洲| 丰满饥渴人妻一区二区三| 亚洲欧美色中文字幕在线| 亚洲中文av在线| 欧美色视频一区免费| 午夜成年电影在线免费观看| 两性午夜刺激爽爽歪歪视频在线观看 | 三级毛片av免费| 啦啦啦视频在线资源免费观看| 欧美 日韩 精品 国产| 99国产综合亚洲精品| 免费av中文字幕在线| 午夜视频精品福利| 1024视频免费在线观看| 亚洲自偷自拍图片 自拍| 日韩欧美三级三区| 人妻久久中文字幕网| 亚洲精品国产区一区二| 国产伦人伦偷精品视频| 日日夜夜操网爽| 在线观看一区二区三区激情| 日本一区二区免费在线视频| www日本在线高清视频| 深夜精品福利| 久久久久久亚洲精品国产蜜桃av| 999精品在线视频| 18禁美女被吸乳视频| 欧美久久黑人一区二区| 欧美av亚洲av综合av国产av| 成人手机av| 又黄又粗又硬又大视频| 欧美激情极品国产一区二区三区| 法律面前人人平等表现在哪些方面| 国产高清视频在线播放一区| 亚洲精品自拍成人| 天天躁日日躁夜夜躁夜夜| 丰满的人妻完整版| 性少妇av在线| 亚洲精品中文字幕在线视频| 中国美女看黄片| 亚洲成人手机| 精品人妻熟女毛片av久久网站| 久久久国产成人精品二区 | 一本一本久久a久久精品综合妖精| 最新在线观看一区二区三区| 亚洲专区中文字幕在线| 超色免费av| 韩国av一区二区三区四区| 热99久久久久精品小说推荐| 大码成人一级视频| 黄频高清免费视频| 黑人欧美特级aaaaaa片| 国产av一区二区精品久久| 精品久久久久久电影网| 久久香蕉精品热| 狠狠婷婷综合久久久久久88av| 色尼玛亚洲综合影院| 午夜福利影视在线免费观看| 亚洲avbb在线观看| 韩国av一区二区三区四区| 国产高清视频在线播放一区| 国产午夜精品久久久久久| 国产精品亚洲av一区麻豆| 亚洲专区国产一区二区| 五月开心婷婷网| 亚洲免费av在线视频| 色播在线永久视频| 亚洲午夜精品一区,二区,三区| 久久精品国产清高在天天线| 色精品久久人妻99蜜桃| 欧美大码av| 飞空精品影院首页| 国产一区二区激情短视频| 一边摸一边抽搐一进一小说 | 老司机靠b影院| 久热这里只有精品99| 久久精品人人爽人人爽视色| 一级片免费观看大全| 欧美国产精品一级二级三级| 欧美日韩瑟瑟在线播放| 99re在线观看精品视频| 在线观看午夜福利视频| 国产aⅴ精品一区二区三区波| 黄网站色视频无遮挡免费观看| 亚洲成人国产一区在线观看| 色精品久久人妻99蜜桃| 可以免费在线观看a视频的电影网站| 亚洲精品国产一区二区精华液| 国产激情久久老熟女| 精品国产国语对白av| 丝瓜视频免费看黄片| 深夜精品福利| 欧美日韩乱码在线| 首页视频小说图片口味搜索| 欧美不卡视频在线免费观看 | 亚洲三区欧美一区| 在线免费观看的www视频| 精品国产乱码久久久久久男人| av片东京热男人的天堂| 久久久久久久久免费视频了| 国产野战对白在线观看| 丝袜人妻中文字幕| 在线国产一区二区在线| 欧美性长视频在线观看| av中文乱码字幕在线| 国产伦人伦偷精品视频| 国产区一区二久久| 久久人人爽av亚洲精品天堂| 欧美成人午夜精品| 91成年电影在线观看| 成人国语在线视频| 日韩免费高清中文字幕av| 91麻豆精品激情在线观看国产 | e午夜精品久久久久久久| 激情在线观看视频在线高清 | 脱女人内裤的视频| 精品亚洲成a人片在线观看| 免费人成视频x8x8入口观看| 亚洲在线自拍视频| 精品久久久久久,| 高清毛片免费观看视频网站 | 国产精品久久电影中文字幕 | 免费少妇av软件| 男人的好看免费观看在线视频 | 黄色怎么调成土黄色| 丰满饥渴人妻一区二区三| 老汉色av国产亚洲站长工具| 久久久精品国产亚洲av高清涩受| 两性午夜刺激爽爽歪歪视频在线观看 | 啦啦啦视频在线资源免费观看| av中文乱码字幕在线| 狠狠狠狠99中文字幕| 成人影院久久| 老司机靠b影院| 叶爱在线成人免费视频播放| 精品一区二区三区四区五区乱码| 成人精品一区二区免费| 国产99白浆流出| 欧美激情极品国产一区二区三区| 成年女人毛片免费观看观看9 | 99re在线观看精品视频| 欧美激情高清一区二区三区| av一本久久久久| 日韩制服丝袜自拍偷拍| 国内毛片毛片毛片毛片毛片| 久久ye,这里只有精品| 精品少妇一区二区三区视频日本电影| 欧美激情 高清一区二区三区| 视频区图区小说| 超碰成人久久| 欧美老熟妇乱子伦牲交| 欧美人与性动交α欧美精品济南到| 亚洲专区字幕在线| 人人妻人人爽人人添夜夜欢视频| 久久久久久亚洲精品国产蜜桃av| 欧美 日韩 精品 国产| 亚洲性夜色夜夜综合| 久久久国产一区二区| 一进一出抽搐gif免费好疼 | 99国产精品一区二区蜜桃av | 天堂动漫精品| 亚洲欧美激情综合另类| 麻豆乱淫一区二区| 精品免费久久久久久久清纯 | 丰满的人妻完整版| 欧美日韩成人在线一区二区| 啦啦啦视频在线资源免费观看| 国产亚洲精品久久久久久毛片 | 亚洲成国产人片在线观看| 国产亚洲精品第一综合不卡| 日本黄色日本黄色录像| 亚洲欧美激情综合另类| 精品久久久精品久久久| 丰满的人妻完整版| 国产欧美日韩一区二区精品| 久久人人爽av亚洲精品天堂| 国产精品久久久久久精品古装| 国产一区二区三区在线臀色熟女 | 免费在线观看黄色视频的| 精品国产乱子伦一区二区三区| 国产精品1区2区在线观看. | 国产精品一区二区在线观看99| 亚洲一区高清亚洲精品| 国产亚洲一区二区精品| 欧美日韩乱码在线| 丝袜美足系列| 精品乱码久久久久久99久播| 欧美黄色淫秽网站| 天堂俺去俺来也www色官网| 免费观看人在逋| 丰满迷人的少妇在线观看| 国产精品影院久久| 亚洲精华国产精华精| 欧美 亚洲 国产 日韩一| 亚洲av成人av| 精品欧美一区二区三区在线| 自线自在国产av| 久久久久久久久久久久大奶| 美女福利国产在线| 国产xxxxx性猛交| 久久久久久久久久久久大奶| 国产精品永久免费网站| 午夜精品国产一区二区电影| 日本a在线网址| 亚洲情色 制服丝袜| 新久久久久国产一级毛片| 男人的好看免费观看在线视频 | 欧美日韩中文字幕国产精品一区二区三区 | 三级毛片av免费| 黄网站色视频无遮挡免费观看| а√天堂www在线а√下载 | 18禁黄网站禁片午夜丰满| 午夜精品国产一区二区电影| 国产麻豆69| 国产在线一区二区三区精| 日本撒尿小便嘘嘘汇集6| 午夜影院日韩av| 少妇的丰满在线观看| 国产一区在线观看成人免费| 国内久久婷婷六月综合欲色啪| 另类亚洲欧美激情| 精品国产乱子伦一区二区三区| 久久久水蜜桃国产精品网| 久久青草综合色| 老汉色av国产亚洲站长工具| 在线国产一区二区在线| 天堂中文最新版在线下载| 欧美日韩瑟瑟在线播放| a级毛片在线看网站| 变态另类成人亚洲欧美熟女 | 亚洲国产精品一区二区三区在线| 亚洲精品一卡2卡三卡4卡5卡| 这个男人来自地球电影免费观看| 精品一区二区三区视频在线观看免费 | 久久久久久久久久久久大奶| 黄网站色视频无遮挡免费观看| 欧美日韩视频精品一区| 亚洲 国产 在线| av片东京热男人的天堂| 久久精品熟女亚洲av麻豆精品| www.精华液| 丰满的人妻完整版| 脱女人内裤的视频| 黄色视频,在线免费观看| 国产精品乱码一区二三区的特点 | 亚洲,欧美精品.| 亚洲avbb在线观看| 欧美黄色片欧美黄色片| 啦啦啦视频在线资源免费观看| 免费高清在线观看日韩| 亚洲一区中文字幕在线| 亚洲五月婷婷丁香| 自线自在国产av| 十分钟在线观看高清视频www| 国产xxxxx性猛交| 在线播放国产精品三级| 一二三四社区在线视频社区8| 国产成人免费无遮挡视频| 国产精品av久久久久免费| 免费在线观看视频国产中文字幕亚洲| 久久天躁狠狠躁夜夜2o2o| 激情视频va一区二区三区| 免费观看a级毛片全部| 99久久人妻综合| 可以免费在线观看a视频的电影网站| 亚洲精品久久成人aⅴ小说| 亚洲欧洲精品一区二区精品久久久| 99re6热这里在线精品视频| 黄色毛片三级朝国网站| 一夜夜www| 国产精品98久久久久久宅男小说| 欧美精品一区二区免费开放| av天堂在线播放| 成熟少妇高潮喷水视频| 日韩欧美三级三区| 精品久久久久久久久久免费视频 | 99国产精品一区二区蜜桃av | 日韩一卡2卡3卡4卡2021年| 大型黄色视频在线免费观看| 后天国语完整版免费观看| 午夜老司机福利片| 国产在线精品亚洲第一网站| 国产真人三级小视频在线观看| 制服诱惑二区| 欧美 日韩 精品 国产| 久久久国产成人免费| 久久久久久人人人人人| 三级毛片av免费| 人人妻,人人澡人人爽秒播| 国产成人av教育| 身体一侧抽搐| 成人手机av| 国产亚洲av高清不卡| 午夜福利在线免费观看网站| svipshipincom国产片| 亚洲 国产 在线| 久久精品91无色码中文字幕| 午夜日韩欧美国产| 国产欧美日韩一区二区三| 日本撒尿小便嘘嘘汇集6| 精品少妇一区二区三区视频日本电影| 一个人免费在线观看的高清视频| 正在播放国产对白刺激| 亚洲伊人色综图| 最新的欧美精品一区二区| 美国免费a级毛片| 中文字幕人妻丝袜一区二区| 婷婷丁香在线五月| 12—13女人毛片做爰片一| av网站免费在线观看视频| 热re99久久国产66热| 午夜免费观看网址| 国产单亲对白刺激| 老司机靠b影院| 国产精品 国内视频| 久久精品国产综合久久久| 一本一本久久a久久精品综合妖精| 久久草成人影院| 少妇粗大呻吟视频| 国产精品久久久久久人妻精品电影| 久久精品国产清高在天天线| x7x7x7水蜜桃| 女同久久另类99精品国产91| 少妇裸体淫交视频免费看高清 | 国产精品免费视频内射| 俄罗斯特黄特色一大片| 91老司机精品| av欧美777| 国产亚洲欧美98| 久久婷婷成人综合色麻豆| 久久久久久久久久久久大奶| 欧美乱码精品一区二区三区| 亚洲熟妇中文字幕五十中出 | 91麻豆av在线| 伊人久久大香线蕉亚洲五| 黄片大片在线免费观看| 岛国在线观看网站| 大陆偷拍与自拍| 久久青草综合色| 久久精品国产清高在天天线| 色综合欧美亚洲国产小说| 精品人妻1区二区| 欧美乱妇无乱码| 欧美日韩精品网址| 一级,二级,三级黄色视频| 老熟妇乱子伦视频在线观看| 亚洲av熟女| 午夜激情av网站| 黄色视频,在线免费观看| 国产99久久九九免费精品| 国产不卡av网站在线观看| 成人三级做爰电影| 91成人精品电影| 亚洲人成电影免费在线| 激情视频va一区二区三区| 夜夜爽天天搞| 亚洲自偷自拍图片 自拍| 亚洲人成77777在线视频| 人妻丰满熟妇av一区二区三区 | 男女下面插进去视频免费观看| 搡老熟女国产l中国老女人| av有码第一页| 精品少妇久久久久久888优播| 欧美午夜高清在线| 国产激情久久老熟女| 亚洲欧美色中文字幕在线| 老司机午夜十八禁免费视频| 中文字幕制服av| 欧美日韩视频精品一区| 亚洲成人免费电影在线观看| 精品福利永久在线观看| 免费日韩欧美在线观看| 国产亚洲精品久久久久5区| 王馨瑶露胸无遮挡在线观看| 免费av中文字幕在线| 精品第一国产精品| 亚洲少妇的诱惑av| 色综合欧美亚洲国产小说| 国产免费av片在线观看野外av| 亚洲五月天丁香| 国产亚洲av高清不卡| 精品久久久久久电影网| 欧美黑人精品巨大| 亚洲精品久久午夜乱码| 国内毛片毛片毛片毛片毛片| 免费日韩欧美在线观看| 欧美人与性动交α欧美精品济南到| 天天影视国产精品| 免费观看精品视频网站| 精品久久久久久久毛片微露脸| 欧美日韩精品网址| 国产欧美日韩综合在线一区二区| 国产日韩欧美亚洲二区| 丰满迷人的少妇在线观看| 香蕉丝袜av| 精品国产超薄肉色丝袜足j| 久久这里只有精品19| 日韩欧美一区二区三区在线观看 | 香蕉国产在线看| 欧美日韩黄片免| 精品福利永久在线观看| av不卡在线播放| 狠狠婷婷综合久久久久久88av| 精品久久久精品久久久| 成在线人永久免费视频| av国产精品久久久久影院| 国产av一区二区精品久久| 欧美日韩亚洲国产一区二区在线观看 | 黄色 视频免费看| 色综合欧美亚洲国产小说| 女性生殖器流出的白浆| 亚洲欧美激情在线| 黄色片一级片一级黄色片| 80岁老熟妇乱子伦牲交| 99久久99久久久精品蜜桃| 嫁个100分男人电影在线观看| av天堂在线播放| 国产aⅴ精品一区二区三区波| 国内毛片毛片毛片毛片毛片| 国产无遮挡羞羞视频在线观看| 少妇的丰满在线观看| 天堂√8在线中文| 亚洲自偷自拍图片 自拍| 国产熟女午夜一区二区三区| 一区福利在线观看| 亚洲av成人一区二区三| 男人的好看免费观看在线视频 | 午夜福利,免费看| 一本综合久久免费| 久久亚洲真实| 午夜免费成人在线视频| 国产精品欧美亚洲77777| 十八禁网站免费在线| 在线十欧美十亚洲十日本专区| 在线观看免费午夜福利视频| 人妻 亚洲 视频| 女人爽到高潮嗷嗷叫在线视频|