• <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MRI 常規(guī)T2WI 的不同影像組學(xué)模型在卵巢上皮性腫瘤術(shù)前三分類(lèi)中的應(yīng)用

    2021-03-06 05:53:12胡艷劉洋鄭伊能肖智博陳麗平張劍戴夢(mèng)瑩李光輝鐘雨晴馬斯呂發(fā)金
    磁共振成像 2021年12期
    關(guān)鍵詞:特征選擇集上組學(xué)

    胡艷,劉洋,鄭伊能,,肖智博,陳麗平,張劍,戴夢(mèng)瑩,李光輝,鐘雨晴,馬斯,呂發(fā)金*

    作者單位:1.重慶醫(yī)科大學(xué)超聲醫(yī)學(xué)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室生物醫(yī)學(xué)工程學(xué)院,重慶400016;2.重慶醫(yī)科大學(xué)附屬第一醫(yī)院放射科,重慶400016

    卵巢上皮性腫瘤是卵巢腫瘤中最常見(jiàn)的類(lèi)型,可根據(jù)其是否具有異常增殖分化與侵襲性分為良性、交界性和惡性三種類(lèi)型[1],患者的治療及預(yù)后方案都與腫瘤類(lèi)型有關(guān)[2-6],因此,三者的術(shù)前鑒別對(duì)患者的治療和預(yù)后具有重要意義。MRI 因其無(wú)創(chuàng)、軟組織的分辨率高的優(yōu)點(diǎn),對(duì)卵巢腫瘤組織病理學(xué)類(lèi)型的鑒別有很大的幫助,目前已被廣泛應(yīng)用于卵巢腫瘤的鑒別診斷和預(yù)后評(píng)估中[7-10],有報(bào)道稱(chēng)MRI 在良、惡性卵巢上皮性腫瘤鑒別中的準(zhǔn)確度可高達(dá)90%[11],但也有研究表明,在常規(guī)MRI上交界性與惡性卵巢上皮性腫瘤有許多相似的形態(tài)學(xué)特征,這使得鑒別診斷變得困難[12]。此外,傳統(tǒng)的影像診斷大多依賴(lài)于影像醫(yī)生主觀(guān)判斷,個(gè)人經(jīng)驗(yàn)在其中起著較為重要的作用,主觀(guān)影響較大[13]。

    影像組學(xué)不但可以通過(guò)分析病變形狀和紋理特征從而識(shí)別肉眼無(wú)法觀(guān)測(cè)到的反映腫瘤特異性的影像學(xué)特征[14-17],且相較于傳統(tǒng)的影像學(xué)評(píng)估方法具有更高的診斷效能和可重復(fù)性[18-20]。目前已有研究將影像組學(xué)方法應(yīng)用于卵巢腫瘤類(lèi)型的鑒別診斷上,但以良性與惡性、交界性與惡性的二分類(lèi)鑒別研究居多[21-25]。Song 等[26]進(jìn)行了良性、交界性和惡性卵巢腫瘤三分類(lèi)的鑒別研究,但僅采用了一種機(jī)器學(xué)習(xí)算法用于建模,且病例數(shù)較少(82例)。本研究在更多數(shù)據(jù)量(300 例)的基礎(chǔ)上,采用多種機(jī)器學(xué)習(xí)分類(lèi)器與多種特征篩選方法來(lái)建立影像組學(xué)分類(lèi)模型,對(duì)影像組學(xué)方法在良性、交界性和惡性卵巢上皮性腫瘤鑒別問(wèn)題上的可行性做進(jìn)一步探索。此外,大量研究表明,不同的影像組學(xué)模型會(huì)對(duì)疾病的診斷效能產(chǎn)生一定的影響[27-30],因此本研究擬基于MRI 常規(guī)T2WI 序列,評(píng)估不同影像組學(xué)模型在卵巢上皮性腫瘤術(shù)前三分類(lèi)鑒別中的診斷效能。

    1 材料與方法

    1.1 研究對(duì)象

    回顧性分析重慶醫(yī)科大學(xué)附屬第一醫(yī)院2013年1月至2020年12月術(shù)前行常規(guī)MRI檢查的300例卵巢上皮性腫瘤患者,年齡17~83 (47.95±14.02)歲。其中良性、交界性和惡性卵巢上皮性腫瘤患者各100例。

    納入標(biāo)準(zhǔn):術(shù)后經(jīng)組織病理檢查確診為卵巢上皮性腫瘤的患者;既往無(wú)盆腔手術(shù)史和放化療史;術(shù)前有包含完整卵巢腫瘤的MRI圖像。

    排除標(biāo)準(zhǔn):卵巢上皮性腫瘤復(fù)發(fā)患者;伴有妊娠患者。本研究經(jīng)過(guò)重慶醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會(huì)批準(zhǔn)(批準(zhǔn)文號(hào):2021-338),免除受試者知情同意。

    1.2 圖像采集

    使用GE Signa HDxt 1.5 T 和3.0 T MR 掃描儀,所有患者取仰臥位,采用8 通道腹部線(xiàn)圈進(jìn)行掃描,圖像掃描參數(shù)見(jiàn)表1。MR掃描圖像通過(guò)影像歸檔和通信系統(tǒng)以DICOM格式導(dǎo)出,并抹除患者信息。

    表1 T2WⅠ序列掃描參數(shù)Tab.1 Scanning parameters of T2WⅠsequence

    1.3 圖像處理

    1.3.1 圖像預(yù)處理與感興趣區(qū)域勾畫(huà)

    首先對(duì)原圖像進(jìn)行預(yù)處理,包括重采樣、標(biāo)準(zhǔn)化和N4 偏置場(chǎng)校正(N4 Bias Field Correction),以減少圖像間的偏差,其中重采樣使用雙線(xiàn)性插值法,以保證圖像體素大小的均一性和各向同性;標(biāo)準(zhǔn)化采用的是Z-score Normalization,以加快模型訓(xùn)練的收斂速度。再對(duì)圖像進(jìn)行N4 偏置場(chǎng)校正,以解決磁共振圖像采集過(guò)程中因設(shè)備抖動(dòng)或患者身體的輕微活動(dòng)造成的磁場(chǎng)分布不均勻問(wèn)題。將T2WI序列上的整個(gè)腫瘤區(qū)域作為ROI,由兩名具有6 年以上閱片經(jīng)驗(yàn)的影像診斷醫(yī)師采用雙盲法在ITK-SNAP(3.8 版本)上沿腫瘤邊緣手動(dòng)逐層勾畫(huà),獲取三維感興趣區(qū)域(volume of interest,VOI),對(duì)有爭(zhēng)議的病例,兩人協(xié)商后達(dá)成共識(shí)。

    1.3.2 影像組學(xué)特征提取

    使用python 3.7.6 的影像組學(xué)包(PyRadiomics 3.0)提取圖像特征,共提取7 個(gè)影像組學(xué)特征簇的1288 個(gè)特征,包括14 個(gè)形狀特征,252 個(gè)直方圖特征,308 個(gè)灰度共生矩陣(gray level co-occurence matrix,GLCM)特征,224個(gè)灰度游程矩陣(gray level run length matrix,GLRLM)特征,224 個(gè)灰度區(qū)域大小矩陣(gray level size zone matrix,GLSZM)特征,70 個(gè)鄰域灰度差矩陣(neighbouring gray tone difference matrix,NGTDM)特征和196 個(gè)灰度相關(guān)矩陣(gray level dependence matrix,GLDM)特征。

    1.3.3 數(shù)據(jù)預(yù)處理與特征篩選

    將以上經(jīng)特征提取所獲得的全部原始數(shù)據(jù)進(jìn)行分組標(biāo)記,良性組記為“0”,交界性組記為“1”,惡性組記為“2”,采用標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理,并對(duì)缺失值進(jìn)行填充,對(duì)異常值進(jìn)行平衡。以最小絕對(duì)收縮選擇算子(least absolute shrinkage and selection operator,LASSO)、遞歸特征消除法(recursive feature elimination,RFE)、單變量特征選擇法(univariate feature selection,UFS)和互信息特征選擇法(mutual information,MI)為特征篩選方法,各從1288 個(gè)特征中篩選出與分類(lèi)相關(guān)性最高的前10個(gè)特征。

    1.4 分類(lèi)模型的建立與評(píng)價(jià)

    1.4.1 建立影像組學(xué)分類(lèi)模型

    選用7 種有監(jiān)督機(jī)器學(xué)習(xí)分類(lèi)算法:邏輯回歸(logistic regression,LR)、支持向量機(jī)(support vector machine,SVM)、隨機(jī)森林(random forest,RF)、K 近鄰(K nearest neighbor,KNN)、決策樹(shù)(decision tree,DT)、高斯樸素貝葉斯(GaussianNB,GNB)和Adaboost集成分類(lèi)器(Adaptive Boosting,AB)。將上述7種機(jī)器學(xué)習(xí)算法所對(duì)應(yīng)的分類(lèi)器與1.3.3 中的4 種特征選擇方法兩兩組合,共建立28 (4×7=28)個(gè)分類(lèi)預(yù)測(cè)模型,并以“特征選擇方法-機(jī)器學(xué)習(xí)分類(lèi)器”的模式對(duì)其進(jìn)行命名,如結(jié)合RFE 特征選擇法和KNN 分類(lèi)器所建立的模型,則命名為“RFE-KNN”。將所有病例數(shù)按8∶2.隨機(jī)劃分為訓(xùn)練集和測(cè)試集,利用3 次10 折交叉驗(yàn)證對(duì)模型進(jìn)行訓(xùn)練,并在測(cè)試集上進(jìn)行驗(yàn)證,獲取測(cè)試集的ROC曲線(xiàn)和分類(lèi)混淆矩陣。

    1.4.2 模型評(píng)價(jià)

    采用AUC 和準(zhǔn)確度對(duì)各模型的分類(lèi)預(yù)測(cè)效能進(jìn)行綜合評(píng)價(jià)。

    2 結(jié)果

    2.1 患者入組情況見(jiàn)表2。

    表2 各組腫瘤病理構(gòu)成情況(例)Tab.2 Pathological composition of tumors in each group(cases)

    2.2 模型診斷效能

    圖1 為測(cè)試集上各分類(lèi)模型的宏平均AUC 和準(zhǔn)確度熱圖,圖中橫坐標(biāo)代表7種不同的機(jī)器學(xué)習(xí)分類(lèi)器,縱坐標(biāo)代表4 種不同的特征選擇方法,顏色越深代表數(shù)值越大。圖1A 顯示的是28 個(gè)分類(lèi)模型在測(cè)試集上的宏平均AUC,AUC 評(píng)分范圍為0.79 到0.94。其中AUC 大于等于0.90 的分類(lèi)模型有6 個(gè),按AUC 從高到低排序分別是RFE-KNN、UFS-KNN、RFE-SVM、RFE-RF、RFE-DT 和LASSO-KNN,它們的AUC 分別為0.94、0.92、0.91、0.91、0.90 和0.90。圖1B 顯示的是28 個(gè)分類(lèi)模型在測(cè)試集上的準(zhǔn)確度,準(zhǔn)確度評(píng)分范圍為0.63 到0.83,其中準(zhǔn)確度大于0.80 的分類(lèi)模型有3個(gè),按準(zhǔn)確度從高到低分別是RFE-KNN、RFE-DT和UFS-KNN,準(zhǔn)確度分別為0.83、0.80 和0.80。結(jié)合各分類(lèi)模型在測(cè)試集上的AUC 和準(zhǔn)確度,可以看出RFE-KNN模型的分類(lèi)性能優(yōu)于其他模型。RFE-KNN模型在測(cè)試集上的宏平均AUC 和準(zhǔn)確度分別為0.94和0.83。

    圖1 測(cè)試集上各分類(lèi)模型的宏平均AUC 和準(zhǔn)確度熱圖。A:測(cè)試集上各模型的宏平均AUC;B:測(cè)試集上各模型的準(zhǔn)確度;LASSO:最小絕對(duì)收縮選擇算子;RFE:遞歸特征消除法;UFS:?jiǎn)巫兞刻卣鬟x擇法;MⅠ:互信息特征選擇法;LR:邏輯回歸分類(lèi)器;DT:決策樹(shù)分類(lèi)器;RF:隨機(jī)森林分類(lèi)器;AB:Adaboost 集成分類(lèi)器;SVM:支持向量機(jī)分類(lèi)器;KNN:K 近鄰分類(lèi)器;GNB:高斯樸素貝葉斯分類(lèi)器 圖2 遞歸特征消除法(recursive feature elimination,RFE)-K 近鄰(K nearest neighbor,KNN)分類(lèi)器模型在測(cè)試集上的ROC曲線(xiàn)和混淆矩陣圖。A:RFE-KNN模型在測(cè)試集上的ROC曲線(xiàn)圖;B:RFE-KNN模型在測(cè)試集上的分類(lèi)混淆矩陣Fig. 1 Macro-average AUC and accuracy heat map of each classification model in the testing sets. A: Macro-average AUC of each classification model in the testing sets. B:Accuracy of each classification model in the testing sets. Fig. 2 ROC curve and confusion matrix of RFE-KNN model in the testing sets.A: ROC curve of RFE-KNN model in the testing sets;B:Classification confusion matrix of RFE-KNN model in the testing sets.注:LASSO:最小絕對(duì)收縮選擇算子;RFE:遞歸特征消除法;UFS:?jiǎn)巫兞刻卣鬟x擇法;MⅠ:互信息特征選擇法;LR:邏輯回歸分類(lèi)器;DT:決策樹(shù)分類(lèi)器;RF:隨機(jī)森林分類(lèi)器;AB:Adaboost集成分類(lèi)器;SVM:支持向量機(jī)分類(lèi)器;KNN:K近鄰分類(lèi)器;GNB:高斯樸素貝葉斯分類(lèi)器。

    表3 為測(cè)試集上4 種特征選擇方法中的每一種方法單獨(dú)與7 種分類(lèi)器相結(jié)合所構(gòu)建的7 個(gè)分類(lèi)模型的AUC和準(zhǔn)確度均值,以比較單一特征選擇方法在本數(shù)據(jù)集上的分類(lèi)預(yù)測(cè)性能??梢?jiàn),4 種特征選擇方法中表現(xiàn)最優(yōu)的為RFE,AUC 均值和準(zhǔn)確度均值分別為0.899和0.760。

    表3 測(cè)試集上4種特征選擇方法對(duì)應(yīng)模型的AUC均值和準(zhǔn)確度均值Tab.3 AUC mean and accuracy mean of the models corresponding to the four feature selection methods in the testing sets

    表5 為7 種機(jī)器學(xué)習(xí)分類(lèi)器中的每一種分類(lèi)器單獨(dú)與4 種特征選擇方法相結(jié)合所構(gòu)建的4 個(gè)分類(lèi)模型的AUC均值和準(zhǔn)確度均值,以比較單一機(jī)器學(xué)習(xí)分類(lèi)器在本數(shù)據(jù)集上的分類(lèi)預(yù)測(cè)性能??梢?jiàn),7 種機(jī)器學(xué)習(xí)分類(lèi)器中表現(xiàn)最優(yōu)的為KNN,AUC 均值和準(zhǔn)確度均值分別為0.903和0.783。

    表5 測(cè)試集上7種機(jī)器學(xué)習(xí)分類(lèi)器對(duì)應(yīng)模型的AUC均值和準(zhǔn)確度均值Tab.5 AUC mean and accuracy mean of the corresponding models of the seven machine learning classifiers in the testing sets

    表4 為RFE-KNN 模型在訓(xùn)練集和測(cè)試集上各項(xiàng)評(píng)價(jià)指標(biāo)的得分情況,圖中標(biāo)簽0 代表良性腫瘤,標(biāo)簽1 代表交界性腫瘤,標(biāo)簽2 代表惡性腫瘤。訓(xùn)練集上良性組、交界性組和惡性組的AUC 分別為0.97、0.91和0.96,測(cè)試集上良性組、交界性組和惡性組的AUC分別為0.94、0.93和0.96。

    表4 遞歸特征消除法-K近鄰分類(lèi)器模型在訓(xùn)練集和測(cè)試集中的評(píng)價(jià)結(jié)果Tab.4 Evaluation results of RFE-KNN model in the training and testing sets

    圖2是RFE-KNN模型在測(cè)試集上的ROC曲線(xiàn)和混淆矩陣,圖中標(biāo)簽0 代表良性腫瘤,標(biāo)簽1 代表交界性腫瘤,標(biāo)簽2代表惡性腫瘤。圖2A是RFE-KNN模型在測(cè)試集上的ROC 曲線(xiàn)圖,圖中展示了良性組、交界性組和惡性組的ROC 曲線(xiàn),及AUC 分別為0.94、0.93 和0.96,此外三組的宏平均AUC 和微平均AUC,均為0.94。圖2B 是RFE-KNN 模型在測(cè)試集上的分類(lèi)混淆矩陣,橫坐標(biāo)代表預(yù)測(cè)類(lèi)別,縱坐標(biāo)代表真實(shí)類(lèi)別,由混淆矩陣我們可以看出良性組、交界性組和惡性組發(fā)生誤判的百分比分別為10.5% (2/19);25.0%(6/24),11.8% (2/17)。通過(guò)分析RFE-KNN 模型在測(cè)試集上的ROC曲線(xiàn)和混淆矩陣,可以看出發(fā)生誤判情況最多的是交界性組。

    3 討論

    本研究針對(duì)卵巢上皮性腫瘤三分類(lèi)問(wèn)題,建立和驗(yàn)證了一種基于MRI常規(guī)T2WI序列的影像組學(xué)模型,用于鑒別良性、交界性和惡性卵巢上皮性腫瘤。在我們的研究中,28個(gè)分類(lèi)模型對(duì)卵巢上皮性腫瘤類(lèi)型的預(yù)測(cè)性能各不相同,AUC 范圍從0.79 到0.94 不等,整體預(yù)測(cè)性能表現(xiàn)良好,證明了影像組學(xué)模型在卵巢腫瘤三分類(lèi)研究中具有一定的可行性,同時(shí)也驗(yàn)證了不同影像組學(xué)模型對(duì)同一疾病的診斷效能是有影響的。從我們的結(jié)果來(lái)看,所采用的特征選擇方法中表現(xiàn)最好的是RFE。在既往的文獻(xiàn)中,RFE 在疾病分類(lèi)和預(yù)后預(yù)測(cè)上的有效性已得到了廣泛認(rèn)可[31-33],在不同特征選擇方法的比較方面,Wang 等[34]認(rèn)為,在肺部良惡性病變鑒別診斷中,RFE 的表現(xiàn)優(yōu)于t檢驗(yàn)和LASSO,基于我們的數(shù)據(jù)集,我們發(fā)現(xiàn)RFE特征選擇方法在卵巢上皮性腫瘤三分類(lèi)中的表現(xiàn)優(yōu)于LASSO、UFS和MI。同時(shí),我們所選用的分類(lèi)器中表現(xiàn)最好的是KNN,它是機(jī)器學(xué)習(xí)中最簡(jiǎn)單最常見(jiàn)的分類(lèi)器之一,該分類(lèi)器的核心主要是度量測(cè)試集和訓(xùn)練集樣本之間的距離或相似性,因?yàn)橛兄己玫倪m應(yīng)性,KNN被廣泛用于大數(shù)據(jù)的分類(lèi)中[35-38]。在我們的實(shí)驗(yàn)中,KNN 的表現(xiàn)優(yōu)于其他6種分類(lèi)器,證明了其在卵巢上皮性腫瘤術(shù)前三分類(lèi)中的有效性和優(yōu)越性。

    基于我們的數(shù)據(jù)集,以RFE為特征篩選方法,KNN為分類(lèi)器的RFE-KNN 模型在卵巢上皮性腫瘤三分類(lèi)中表現(xiàn)最好。Song 等[26]曾采用影像組學(xué)方法來(lái)鑒別良性、交界性和惡性卵巢腫瘤,他們的研究共納入82個(gè)病例,104個(gè)病灶,建立了一種基于動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)的藥物代謝動(dòng)力學(xué)模型,他們的測(cè)試結(jié)果顯示,良性組、交界性組和惡性組的AUC 值分別為0.893、0.944 和0.891。與他們的研究不同的是,我們的研究基于MRI 常規(guī)序列T2WI,共納入300 個(gè)病例,351 個(gè)病灶,采用4 種特征選擇方法和7 種機(jī)器學(xué)習(xí)分類(lèi)器,兩兩組合建立了28 個(gè)影像組學(xué)分類(lèi)模型,比較了各模型的分類(lèi)預(yù)測(cè)性能,其中預(yù)測(cè)性能最好的是RFE-KNN 模型。由圖2A RFE-KNN 模型在測(cè)試集上的ROC 曲線(xiàn)圖可見(jiàn),在我們的模型中良性組(標(biāo)簽0)、交界性組(標(biāo)簽1)和惡性組(標(biāo)簽2)的AUC 值分別為0.94、0.93 和0.96,整體略?xún)?yōu)于Song等的研究。

    根據(jù)我們的研究結(jié)果,交界性組發(fā)生誤判的比例高于良性組和惡性組,這與臨床經(jīng)驗(yàn)是一致的。以往的研究表明,與良惡性腫瘤相比,交界性腫瘤在影像學(xué)診斷中最易發(fā)生誤診,這與腫瘤的影像表現(xiàn)有直接的聯(lián)系,由于卵巢腫瘤的影像表現(xiàn)通常是重疊和非特異性的,且交界性腫瘤在影像上的宏觀(guān)特征可能與良性和惡性卵巢腫瘤相似或重疊[39-40],導(dǎo)致交界性腫瘤在傳統(tǒng)影像學(xué)診斷中不易鑒別。我們的組學(xué)模型也有誤判的情況,但總體來(lái)說(shuō)發(fā)生誤判的比例在可接受范圍內(nèi),相較于傳統(tǒng)影像學(xué)診斷,影像組學(xué)在卵巢腫瘤診斷方面仍是一個(gè)更加客觀(guān)、可重復(fù)性更高的診斷方法。

    我們的研究有以下幾個(gè)局限,首先這是一個(gè)回顧性研究,在圖像數(shù)據(jù)選擇方面由于時(shí)間跨度大難免出現(xiàn)偏差,雖然相對(duì)以往的研究在數(shù)據(jù)量上有所提升,但總體數(shù)據(jù)量依然比較小。其次,我們的數(shù)據(jù)來(lái)源是單中心的,往后的研究還需要多中心數(shù)據(jù)來(lái)驗(yàn)證該方法的普適性。在未來(lái),基于大數(shù)據(jù)的前瞻性、多中心、多序列研究將會(huì)有更廣闊的應(yīng)用前景。

    綜上所述,我們所建立的影像組學(xué)模型在良性、交界性和惡性卵巢上皮性腫瘤鑒別診斷上具有可行性?;谖覀兊臄?shù)據(jù)集,RFE-KNN 模型在卵巢上皮性腫瘤三分類(lèi)鑒別診斷上表現(xiàn)最好,可為臨床診斷卵巢上皮性腫瘤類(lèi)型提供決策支持。

    作者利益沖突聲明:全部作者均聲明無(wú)利益沖突。

    猜你喜歡
    特征選擇集上組學(xué)
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問(wèn)題解映射的保序性
    口腔代謝組學(xué)研究
    基于UHPLC-Q-TOF/MS的歸身和歸尾補(bǔ)血機(jī)制的代謝組學(xué)初步研究
    復(fù)扇形指標(biāo)集上的分布混沌
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    代謝組學(xué)在多囊卵巢綜合征中的應(yīng)用
    基于特征選擇和RRVPMCD的滾動(dòng)軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    免费大片黄手机在线观看| 99久久精品热视频| 日韩av免费高清视频| 日日摸夜夜添夜夜爱| 亚洲国产精品成人久久小说| 国产色爽女视频免费观看| 久久亚洲国产成人精品v| 五月天丁香电影| 最近2019中文字幕mv第一页| 中文字幕免费在线视频6| 麻豆乱淫一区二区| 在线 av 中文字幕| 亚洲精品456在线播放app| 99热这里只有是精品50| 两个人的视频大全免费| 九色成人免费人妻av| 婷婷色综合www| 黑人巨大精品欧美一区二区蜜桃 | 国产淫片久久久久久久久| 国产精品久久久久久久久免| 欧美激情极品国产一区二区三区 | av网站免费在线观看视频| av免费在线看不卡| 免费观看的影片在线观看| 国产爽快片一区二区三区| 在线精品无人区一区二区三| 国产一区二区在线观看日韩| 91精品伊人久久大香线蕉| 欧美丝袜亚洲另类| 日韩,欧美,国产一区二区三区| 婷婷色麻豆天堂久久| 九色成人免费人妻av| 亚洲精品日本国产第一区| 少妇精品久久久久久久| 久久99一区二区三区| 桃花免费在线播放| 亚洲av免费高清在线观看| 中文字幕人妻熟人妻熟丝袜美| 国产精品99久久久久久久久| 如日韩欧美国产精品一区二区三区 | 人体艺术视频欧美日本| 日韩制服骚丝袜av| 国产日韩欧美亚洲二区| 日韩欧美一区视频在线观看 | 男人爽女人下面视频在线观看| 免费黄频网站在线观看国产| 久久久精品免费免费高清| 精品视频人人做人人爽| 国产欧美日韩综合在线一区二区 | 十八禁网站网址无遮挡 | 大片免费播放器 马上看| 国产黄色视频一区二区在线观看| 狠狠精品人妻久久久久久综合| 免费黄频网站在线观看国产| 亚洲精品一区蜜桃| 免费黄频网站在线观看国产| 亚洲国产日韩一区二区| 免费观看在线日韩| 最新的欧美精品一区二区| 80岁老熟妇乱子伦牲交| 国国产精品蜜臀av免费| 中文欧美无线码| 国产欧美日韩综合在线一区二区 | 欧美日韩视频精品一区| 久久久久视频综合| 免费观看无遮挡的男女| 中文乱码字字幕精品一区二区三区| 十八禁高潮呻吟视频 | 午夜久久久在线观看| 丰满少妇做爰视频| 久久 成人 亚洲| 天堂俺去俺来也www色官网| 精品视频人人做人人爽| 成人亚洲精品一区在线观看| 三级国产精品欧美在线观看| 永久免费av网站大全| 亚洲av欧美aⅴ国产| 女人久久www免费人成看片| 欧美人与善性xxx| 色哟哟·www| 亚洲精品自拍成人| www.av在线官网国产| a级毛片在线看网站| 国产一区亚洲一区在线观看| 嫩草影院新地址| 亚洲国产精品成人久久小说| 99久久人妻综合| 国产在线免费精品| 免费人妻精品一区二区三区视频| 一本—道久久a久久精品蜜桃钙片| 菩萨蛮人人尽说江南好唐韦庄| 国产熟女欧美一区二区| 国产精品一二三区在线看| 午夜激情福利司机影院| 美女cb高潮喷水在线观看| 久久久久精品性色| 九九爱精品视频在线观看| 男人爽女人下面视频在线观看| 丰满迷人的少妇在线观看| 肉色欧美久久久久久久蜜桃| 久久99精品国语久久久| 久久久国产一区二区| 男人爽女人下面视频在线观看| 99热这里只有是精品50| 美女脱内裤让男人舔精品视频| 国产极品粉嫩免费观看在线 | 岛国毛片在线播放| 日产精品乱码卡一卡2卡三| 久久人人爽人人爽人人片va| av卡一久久| 狠狠精品人妻久久久久久综合| 中文在线观看免费www的网站| 99热全是精品| 国产精品熟女久久久久浪| 国产精品99久久99久久久不卡 | 日本黄大片高清| 九九在线视频观看精品| 日韩av不卡免费在线播放| 寂寞人妻少妇视频99o| 中文天堂在线官网| 日韩中字成人| 精品午夜福利在线看| 成人免费观看视频高清| 18禁动态无遮挡网站| 国产精品偷伦视频观看了| 男女无遮挡免费网站观看| 国产日韩欧美在线精品| 国产精品久久久久久精品古装| 久久毛片免费看一区二区三区| 天堂中文最新版在线下载| 国产精品秋霞免费鲁丝片| av卡一久久| 老熟女久久久| 国产精品.久久久| 少妇被粗大猛烈的视频| 综合色丁香网| 久久精品久久久久久久性| 精品亚洲成a人片在线观看| 国产av精品麻豆| 视频区图区小说| 高清av免费在线| 亚洲四区av| 少妇精品久久久久久久| 麻豆成人av视频| 色5月婷婷丁香| 日韩成人伦理影院| 国产精品国产av在线观看| 久久狼人影院| √禁漫天堂资源中文www| 亚洲精华国产精华液的使用体验| 九草在线视频观看| 边亲边吃奶的免费视频| 2022亚洲国产成人精品| 亚洲内射少妇av| 精品卡一卡二卡四卡免费| 久久久久国产精品人妻一区二区| 亚洲人成网站在线播| 日韩视频在线欧美| 伦精品一区二区三区| 精品人妻偷拍中文字幕| 午夜av观看不卡| 日韩av不卡免费在线播放| 日韩一区二区三区影片| 亚洲高清免费不卡视频| 午夜免费鲁丝| 免费黄色在线免费观看| 午夜精品国产一区二区电影| 免费看光身美女| 哪个播放器可以免费观看大片| 久久国产亚洲av麻豆专区| 亚洲国产欧美日韩在线播放 | 99热网站在线观看| 美女内射精品一级片tv| 建设人人有责人人尽责人人享有的| 99国产精品免费福利视频| 午夜福利网站1000一区二区三区| √禁漫天堂资源中文www| 国产老妇伦熟女老妇高清| 国产日韩欧美亚洲二区| 午夜免费男女啪啪视频观看| 永久免费av网站大全| 日本av免费视频播放| 熟女电影av网| 国产女主播在线喷水免费视频网站| 免费高清在线观看视频在线观看| 日日爽夜夜爽网站| 免费看不卡的av| 国产淫语在线视频| 国产精品蜜桃在线观看| 欧美日韩亚洲高清精品| 久久久久国产网址| 欧美bdsm另类| 国产精品女同一区二区软件| 欧美 日韩 精品 国产| 不卡视频在线观看欧美| 国产一区二区三区av在线| 久久久久久久精品精品| 久久精品国产鲁丝片午夜精品| 人体艺术视频欧美日本| 精品国产一区二区久久| 一级毛片久久久久久久久女| 亚洲综合精品二区| 久久久久久久大尺度免费视频| 国产日韩欧美亚洲二区| 欧美激情国产日韩精品一区| av免费观看日本| 久久国产亚洲av麻豆专区| 国产无遮挡羞羞视频在线观看| 赤兔流量卡办理| 国产午夜精品久久久久久一区二区三区| 亚洲欧美成人综合另类久久久| 国产精品国产三级国产av玫瑰| 一本—道久久a久久精品蜜桃钙片| 亚州av有码| 国产精品女同一区二区软件| 97超视频在线观看视频| 欧美3d第一页| 日韩亚洲欧美综合| 51国产日韩欧美| 亚洲国产成人一精品久久久| 少妇的逼水好多| 久久精品国产亚洲av涩爱| 婷婷色av中文字幕| 少妇人妻久久综合中文| av一本久久久久| 国产精品久久久久久精品古装| 国产精品99久久久久久久久| 亚洲激情五月婷婷啪啪| 又粗又硬又长又爽又黄的视频| 国产视频内射| 欧美日本中文国产一区发布| 久久99精品国语久久久| 97超视频在线观看视频| 国产精品熟女久久久久浪| 欧美精品高潮呻吟av久久| 亚洲电影在线观看av| 久久精品国产自在天天线| 亚洲欧洲日产国产| 国产成人a∨麻豆精品| 深夜a级毛片| 全区人妻精品视频| av在线观看视频网站免费| 一区在线观看完整版| 有码 亚洲区| 久久久久网色| 免费少妇av软件| 日产精品乱码卡一卡2卡三| 看非洲黑人一级黄片| 亚洲欧美日韩卡通动漫| 国产在视频线精品| 妹子高潮喷水视频| 五月开心婷婷网| 天天躁夜夜躁狠狠久久av| 精品一区在线观看国产| 夜夜骑夜夜射夜夜干| 免费黄频网站在线观看国产| 国产一区有黄有色的免费视频| 老司机影院毛片| 亚洲精品,欧美精品| 国产成人91sexporn| 国产成人a∨麻豆精品| 久久精品夜色国产| 亚洲四区av| 亚洲精品,欧美精品| 搡女人真爽免费视频火全软件| 亚洲精品国产成人久久av| 美女cb高潮喷水在线观看| 国产欧美日韩一区二区三区在线 | 成人无遮挡网站| 久久精品国产自在天天线| 少妇的逼好多水| 久久久久精品性色| 尾随美女入室| 伊人亚洲综合成人网| 久久久国产一区二区| 少妇人妻精品综合一区二区| 精品少妇黑人巨大在线播放| 日本vs欧美在线观看视频 | 国产爽快片一区二区三区| 老司机影院毛片| 亚洲国产精品专区欧美| 男人爽女人下面视频在线观看| 午夜免费观看性视频| 黄色日韩在线| 久久精品国产自在天天线| 日日摸夜夜添夜夜爱| 亚洲国产欧美日韩在线播放 | 狂野欧美激情性xxxx在线观看| 国产真实伦视频高清在线观看| 国产精品不卡视频一区二区| 2022亚洲国产成人精品| 精品少妇久久久久久888优播| 99热这里只有是精品在线观看| a级片在线免费高清观看视频| 成人毛片a级毛片在线播放| 国产精品人妻久久久影院| 91精品国产国语对白视频| 97精品久久久久久久久久精品| 亚洲,欧美,日韩| 亚洲激情五月婷婷啪啪| 日韩三级伦理在线观看| 91久久精品国产一区二区成人| 欧美成人精品欧美一级黄| av福利片在线观看| 国产精品免费大片| 99热6这里只有精品| 岛国毛片在线播放| 五月玫瑰六月丁香| 亚洲精品456在线播放app| 欧美区成人在线视频| 国产精品免费大片| 黑人巨大精品欧美一区二区蜜桃 | av播播在线观看一区| 97在线人人人人妻| 免费看光身美女| 如日韩欧美国产精品一区二区三区 | 天堂8中文在线网| 2021少妇久久久久久久久久久| 亚洲三级黄色毛片| 欧美日韩综合久久久久久| 最近最新中文字幕免费大全7| 曰老女人黄片| 日本欧美视频一区| 亚洲精品日韩在线中文字幕| 大片免费播放器 马上看| 国产亚洲av片在线观看秒播厂| 久久久亚洲精品成人影院| 亚洲色图综合在线观看| 亚洲美女搞黄在线观看| 一级,二级,三级黄色视频| 免费观看性生交大片5| 欧美3d第一页| 国产黄片美女视频| 免费av中文字幕在线| 国产精品久久久久久精品古装| 全区人妻精品视频| 亚洲精品久久午夜乱码| 又爽又黄a免费视频| 日韩电影二区| 日韩欧美精品免费久久| 亚洲国产精品国产精品| 日韩成人伦理影院| 人人妻人人澡人人看| 一本久久精品| 免费人成在线观看视频色| 一级,二级,三级黄色视频| 国产成人免费无遮挡视频| 中文字幕人妻熟人妻熟丝袜美| 久久久久久久久久久久大奶| 国产精品秋霞免费鲁丝片| 亚洲,欧美,日韩| 高清午夜精品一区二区三区| 精品久久久久久久久亚洲| 国产成人免费无遮挡视频| 精品一区二区三卡| 一级,二级,三级黄色视频| 久久97久久精品| 老熟女久久久| 久久人妻熟女aⅴ| 国产亚洲欧美精品永久| 51国产日韩欧美| 国产精品一区二区在线观看99| a级毛片免费高清观看在线播放| 自线自在国产av| 欧美精品一区二区大全| 国产成人a∨麻豆精品| 另类亚洲欧美激情| 日本wwww免费看| 国产成人aa在线观看| 久久女婷五月综合色啪小说| 亚洲精品国产成人久久av| 亚洲国产精品国产精品| 天天躁夜夜躁狠狠久久av| 嫩草影院入口| 国产色爽女视频免费观看| 欧美区成人在线视频| 美女xxoo啪啪120秒动态图| 国产69精品久久久久777片| 久久精品国产亚洲av涩爱| 大码成人一级视频| 极品教师在线视频| av福利片在线观看| 久久综合国产亚洲精品| 又黄又爽又刺激的免费视频.| 蜜臀久久99精品久久宅男| 最后的刺客免费高清国语| 日韩在线高清观看一区二区三区| 日本wwww免费看| 国产综合精华液| 2018国产大陆天天弄谢| 久久精品夜色国产| 亚洲欧美一区二区三区黑人 | 国产精品女同一区二区软件| 久久精品熟女亚洲av麻豆精品| 亚洲国产精品专区欧美| 成年av动漫网址| 国产黄频视频在线观看| 在线 av 中文字幕| 99视频精品全部免费 在线| 亚洲情色 制服丝袜| 99久久精品一区二区三区| 99热网站在线观看| 三级国产精品片| 国产探花极品一区二区| 免费久久久久久久精品成人欧美视频 | 丝瓜视频免费看黄片| 制服丝袜香蕉在线| 久久综合国产亚洲精品| 一个人免费看片子| 最新的欧美精品一区二区| 久久韩国三级中文字幕| 男女无遮挡免费网站观看| 久久精品国产自在天天线| 欧美 亚洲 国产 日韩一| 午夜激情久久久久久久| 国产免费一区二区三区四区乱码| 日韩电影二区| 免费人妻精品一区二区三区视频| 午夜免费鲁丝| 成人综合一区亚洲| 日韩精品有码人妻一区| 五月天丁香电影| 国产毛片在线视频| 精品午夜福利在线看| 女的被弄到高潮叫床怎么办| 亚洲精品视频女| 国模一区二区三区四区视频| kizo精华| 一边亲一边摸免费视频| 丝袜喷水一区| 欧美日韩在线观看h| 日韩一本色道免费dvd| 91精品国产国语对白视频| 少妇被粗大的猛进出69影院 | 中文在线观看免费www的网站| 亚洲国产精品一区二区三区在线| av天堂久久9| 91精品国产国语对白视频| 久久久久人妻精品一区果冻| 精品国产一区二区久久| 亚洲人与动物交配视频| 亚洲欧美日韩东京热| 日韩av不卡免费在线播放| 午夜91福利影院| 亚洲欧美成人精品一区二区| 亚洲精品乱久久久久久| av女优亚洲男人天堂| 日韩一区二区视频免费看| 日本91视频免费播放| 日韩中字成人| 乱系列少妇在线播放| 亚洲经典国产精华液单| 国产综合精华液| 国产欧美日韩精品一区二区| 精品午夜福利在线看| 久久精品国产鲁丝片午夜精品| 69精品国产乱码久久久| 人妻少妇偷人精品九色| 欧美三级亚洲精品| 99九九在线精品视频 | 亚洲一级一片aⅴ在线观看| 国产深夜福利视频在线观看| 免费观看a级毛片全部| 热re99久久国产66热| 日本黄色日本黄色录像| 免费大片18禁| 亚洲精华国产精华液的使用体验| 国产精品欧美亚洲77777| 免费人成在线观看视频色| 爱豆传媒免费全集在线观看| av在线app专区| 国产成人91sexporn| 内地一区二区视频在线| 男女边摸边吃奶| 精品一区二区三区视频在线| 久久人妻熟女aⅴ| 婷婷色综合www| 肉色欧美久久久久久久蜜桃| 亚洲成人手机| 国产精品.久久久| 日日摸夜夜添夜夜爱| 人妻制服诱惑在线中文字幕| 天美传媒精品一区二区| 内射极品少妇av片p| 久久ye,这里只有精品| 男女无遮挡免费网站观看| 18禁裸乳无遮挡动漫免费视频| 亚洲人成网站在线播| av免费观看日本| 嘟嘟电影网在线观看| 亚洲精品日韩av片在线观看| 一本大道久久a久久精品| 国产免费视频播放在线视频| 自线自在国产av| 欧美bdsm另类| 美女视频免费永久观看网站| 久久99精品国语久久久| 国产69精品久久久久777片| 欧美亚洲 丝袜 人妻 在线| 简卡轻食公司| 天天躁夜夜躁狠狠久久av| 国产老妇伦熟女老妇高清| 人体艺术视频欧美日本| 久久 成人 亚洲| 九草在线视频观看| 黄色毛片三级朝国网站 | 成人国产av品久久久| 在线观看免费日韩欧美大片 | 大又大粗又爽又黄少妇毛片口| 日本色播在线视频| 亚洲欧美日韩另类电影网站| 制服丝袜香蕉在线| 日本欧美国产在线视频| 天堂中文最新版在线下载| 女性被躁到高潮视频| 黄色日韩在线| 欧美亚洲 丝袜 人妻 在线| 最近2019中文字幕mv第一页| 亚洲av中文av极速乱| 乱系列少妇在线播放| 伊人亚洲综合成人网| 韩国av在线不卡| 国产精品无大码| 国产日韩欧美亚洲二区| 成人18禁高潮啪啪吃奶动态图 | 日日摸夜夜添夜夜添av毛片| 久久国产亚洲av麻豆专区| 男的添女的下面高潮视频| 亚洲精品国产av蜜桃| 有码 亚洲区| 国产在线免费精品| 熟女人妻精品中文字幕| 欧美bdsm另类| 午夜视频国产福利| 精品国产国语对白av| 日韩av不卡免费在线播放| 国产视频内射| 三级国产精品欧美在线观看| 国产欧美日韩综合在线一区二区 | 高清av免费在线| 中文字幕精品免费在线观看视频 | 午夜福利视频精品| 亚洲精华国产精华液的使用体验| 又粗又硬又长又爽又黄的视频| 日韩一区二区视频免费看| 我要看日韩黄色一级片| 午夜免费男女啪啪视频观看| 亚洲国产精品一区三区| 99国产精品免费福利视频| 日本av手机在线免费观看| 国产欧美亚洲国产| 久久99热这里只频精品6学生| 亚洲成色77777| 午夜91福利影院| 精品熟女少妇av免费看| 高清不卡的av网站| 免费看不卡的av| 丝袜喷水一区| 亚洲伊人久久精品综合| 亚洲精品乱码久久久v下载方式| 精品一区二区免费观看| videos熟女内射| 亚洲自偷自拍三级| 成年女人在线观看亚洲视频| 伦理电影免费视频| 伊人久久精品亚洲午夜| 一区二区三区免费毛片| 午夜福利在线观看免费完整高清在| 男人和女人高潮做爰伦理| 久久久久久久久久久久大奶| 日本黄色片子视频| 最新中文字幕久久久久| 高清在线视频一区二区三区| 五月玫瑰六月丁香| 人人妻人人看人人澡| 91在线精品国自产拍蜜月| 老司机影院毛片| 国产精品嫩草影院av在线观看| 日韩av不卡免费在线播放| 国产无遮挡羞羞视频在线观看| 亚洲欧美成人综合另类久久久| 在线观看人妻少妇| 一级a做视频免费观看| 久久av网站| 久久6这里有精品| 大陆偷拍与自拍| 人妻少妇偷人精品九色| 久久99蜜桃精品久久| 国产一级毛片在线| av有码第一页| 久久久久视频综合| 男女无遮挡免费网站观看| 久久久精品94久久精品| 国产伦理片在线播放av一区| 日韩伦理黄色片| 精品人妻一区二区三区麻豆| 国产精品人妻久久久影院| 人妻 亚洲 视频| 久久青草综合色| 夫妻性生交免费视频一级片| 欧美日韩av久久| 日本色播在线视频| 亚洲图色成人| 大片电影免费在线观看免费| 人妻一区二区av| 好男人视频免费观看在线| 午夜福利在线观看免费完整高清在| a 毛片基地| 精华霜和精华液先用哪个| 免费黄频网站在线观看国产| 亚洲精品国产色婷婷电影| 国产黄片美女视频| av女优亚洲男人天堂| 亚洲天堂av无毛| 97在线人人人人妻|