• <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 ?

    多尺度特征融合的脊柱X線圖像分割方法

    2021-04-23 04:32:42張俊華
    計算機工程與應(yīng)用 2021年8期
    關(guān)鍵詞:注意力脊柱卷積

    趙 陽,張俊華

    云南大學(xué) 信息學(xué)院,昆明650500

    脊柱側(cè)凸是一種脊柱三維結(jié)構(gòu)的畸形疾病,全球有1%~4%的青少年受到此疾病的影響[1]。該疾病的診斷主要參考患者的脊柱側(cè)凸角度,目前X線成像方式是診斷脊柱側(cè)凸的首選,在X 線圖像中分割脊柱是后續(xù)測量、配準以及三維重建的基礎(chǔ)。

    近期出現(xiàn)了不少脊柱X線圖像分割方法。Anitha等人[2-3]提出了使用自定義的濾波器自動提取椎體終板以及自動獲取輪廓的形態(tài)學(xué)算子的方法,但這些方法存在一定的觀察者間的誤差。Sardjono等人[4]提出基于帶電粒子模型的物理方法來提取脊柱輪廓,實現(xiàn)過程復(fù)雜且實用性不高。葉偉等人[5]提出了一種基于模糊C均值聚類分割算法,該方法過程繁瑣且實用性欠佳。以上方法都只對椎體進行了分割,卻無法實現(xiàn)對脊柱的整體輪廓分割。

    深度學(xué)習(xí)在圖像分割的領(lǐng)域有很多應(yīng)用。Long等人提出了全卷積網(wǎng)絡(luò)[6](Full Convolutional Network,F(xiàn)CN),將卷積神經(jīng)網(wǎng)絡(luò)的最后一層全連接層替換為卷積層,得到特征圖后再經(jīng)過反卷積來獲得像素級的分類結(jié)果。通過對FCN 結(jié)構(gòu)改進,Ronneberger 等人提出了一種編碼-解碼的網(wǎng)絡(luò)結(jié)構(gòu)U-Net[7]解決圖像分割問題。Wu 等人提出了BoostNet[8]來對脊柱X 線圖像進行目標檢測以及一個基于多視角的相關(guān)網(wǎng)絡(luò)[9]來完成對脊柱框架的定位。上述方法并未直接對脊柱圖像進行分割,僅提取了關(guān)鍵點的特征并由定位的特征來獲取脊柱的整體輪廓。Fang 等人[10]采用FCN 對脊柱的CT 切片圖像進行分割并進行三維重建,但分割精度相對較低。Horng等人[11]將脊柱X線圖像進行切割后使用殘差U-Net來對單個椎骨進行分割,再合成完整的脊柱圖像,從而導(dǎo)致分割過程過于繁瑣。Tan 等人[12]和Grigorieva 等人[13]采用U-Net 來對脊柱X 線圖像進行分割并實現(xiàn)對Cobb 角的測量或三維重建,但存在分割精度不高的問題。以上研究方法雖然在一定程度上完成脊柱分割,但仍存在兩個問題:(1)只涉及椎體的定位和計算脊柱側(cè)凸角度,卻沒有對圖像進行完整的脊柱分割。(2)分割精度不高。

    針對上述問題,在U-Net 的基礎(chǔ)上提出了一種將Inception[14]結(jié)構(gòu)和殘差網(wǎng)絡(luò)(Residual Network,ResNet)[15]與U-Net相結(jié)合的方法,首先使用類Inception網(wǎng)絡(luò)將其卷積層進行替換,增加網(wǎng)絡(luò)的深度使其可以提取多尺度的信息,并在跳躍連接之前增加ResNet 使其可以更穩(wěn)定地提取信息,最后在U-Net第一次上采樣之前增加卷積塊注意力模塊(Convolutional Block Attention Module,CBAM)[16]對空間和通道的權(quán)重進行注意力監(jiān)督。

    1 基于多尺度融合的脊柱分割方法

    1.1 U-Net結(jié)構(gòu)

    如圖1 所示為U-Net 的結(jié)構(gòu),U-Net 主要由特征提取、上采樣和跳躍連接三個部分組成。特征提取主要由3×3 的卷積核和2×2 的最大池化層構(gòu)成,每一層都提取了不同尺度的特征。上采樣可以恢復(fù)初始圖像大小,并在每一層通過跳躍連接將提取的特征進行特征融合來恢復(fù)目標的空間特征和細節(jié)。

    圖1 原始U-Net結(jié)構(gòu)圖

    1.2 Inceptionblock

    在醫(yī)學(xué)圖像處理任務(wù)中,在不同尺度下網(wǎng)絡(luò)能提取的特征是不一樣的,從特征圖中思考如何進行多尺度特征提取來增加網(wǎng)絡(luò)提取到的信息對分割結(jié)果有積極影響。Inception網(wǎng)絡(luò)就是一種提取多尺度特征的方法,基于該方法使用3×3、5×5、7×7 的卷積核來進行不同尺度下的特征提取??紤]到5×5、7×7的卷積核計算量過大,結(jié)合Szegedy等人[17]提出的方法,使用2個3×3的卷積核進行連接代替5×5 的卷積核,使用3 個3×3 的卷積核連接代替7×7 的卷積核可以減少模型計算量。與此同時使用1×1的短連接來獲取一些圖像的空域信息。

    圖2所示即為Inceptionblock的結(jié)構(gòu),通過串并連接可以充分利用三個3×3的卷積核,三個支路的輸出分別為3×3、近似于5×5 以及近似于7×7 的卷積核。拼接之后的特征圖經(jīng)過Relu激活層并輸入到最大池化層。

    1.3 Resblock

    圖2 Inceptionblock結(jié)構(gòu)

    使用3×3的卷積核近似5×5和7×7的卷積核雖然減少了網(wǎng)絡(luò)的計算量并提取了多尺度的特征,但與此同時增加了網(wǎng)絡(luò)的寬度和深度,從而導(dǎo)致發(fā)生梯度爆炸或梯度消失。通過在Inceptionblock之后加入ResNet可以解決網(wǎng)絡(luò)加寬和加深的問題。

    如圖3 所示,在Inception block 的后面添加3×3 和1×1的卷積核構(gòu)成的ResNet,并通過一個Relu激活層和批標準化層。批標準化可以在一定程度上加快模型收斂速度并緩解梯度消失的問題,與ResNet 協(xié)同作用可以有效提高網(wǎng)絡(luò)的穩(wěn)定性。通過對加入的Resblock 層數(shù)調(diào)整來進行實驗,確定需要的Resblock的層數(shù)。

    圖3 Resblock結(jié)構(gòu)

    1.4 CBAM

    CBAM 是考慮了不同通道像素的重要性和同一通道不同位置像素的重要性提出的一種結(jié)合空間和通道的注意力模塊。最早提出通道注意力機制模塊的是SENet[18],SENet 通過學(xué)習(xí)自動獲取到每個特征通道的重要程度,然后按照這個重要程度增強有用的特征并抑制對當(dāng)前任務(wù)用處不大的特征。CBAM 在此基礎(chǔ)上同時考慮了空間和通道的重要程度,由于卷積運算通過將跨通道和空間信息混合在一起來提取信息特征,因此該模塊將沿通道和空間這兩個主要維度來提取有意義的特征。

    設(shè)F∈RC×H×W是特征圖的輸入,將其送入CBAM,則特征圖會經(jīng)過一個1 維的通道注意力模塊Mc∈RC×1×1和2維的空間注意力模塊Ms∈R1×H×W,其運算過程如下:其中F'是F經(jīng)過通道注意力模塊后輸出的特征圖,F(xiàn)″是F'經(jīng)過空間注意力模塊后輸出的特征圖,?表示逐元素相乘。

    式(1)為通道注意力的運算過程,Mc表示在通道上進行注意力運算。通道注意力的工作和SENet 很類似,首先將輸入的特征圖壓縮得到一個一維矢量,在對特征圖進行壓縮的過程中,不同點在于CBAM 使用了全局最大池化和全局平均池化,得到兩個不同的一維矢量。全局平均池化對特征圖的每一個像素點都有反饋,全局最大池化只對特征圖中響應(yīng)最大的地方有反饋,為全局平均池化的補充。

    以F表示輸入的特征圖,則Fcavg與Fcmax分別為特征圖經(jīng)過全局平均池化AvgPool和全局最大池化MaxPool的特征向量,MLP為多層感知機運算,W0和W1為多層感知機的兩層參數(shù),σ為sigmod激活函數(shù),則通道注意力的運算過程如下:

    其中W0需要使用Relu函數(shù)進行激活。

    式(2)為空間注意力的運算過程,Ms表示在空間上進行注意力運算。將通道注意力模塊輸出的特征向量放進空間注意力模塊中,讓最大池化Fcmax和平均池化Fcavg輸出的特征進行一個拼接,并通過一個f7×7的卷積核進行降維,通過一個sigmod 激活層生成特征圖其運算過程如下:

    將通道注意力和空間注意力的輸出進行相乘得到最后輸出的特征。特征圖通過CBAM后,網(wǎng)絡(luò)在特征學(xué)習(xí)的基礎(chǔ)上,在空間和通道上學(xué)習(xí)不同像素的重要程度。

    圖4即為本實驗?zāi)P椭蠧BAM的示意圖,通道注意力模塊和空間注意力模塊順序連接,嵌入網(wǎng)絡(luò)之中。本實驗將CBAM放置于Dropout層和上采樣層的中間,對最深層的特征進行注意力監(jiān)督,在空間和通道上學(xué)習(xí)不同像素的重要程度,從而更準確地提取特征。

    圖4 CBAM示意圖

    1.5 改進的U-Net模型

    圖5 改進的U-Net模型

    如圖5 所示為改進的U-Net 模型,結(jié)合Inception 網(wǎng)絡(luò)和ResNet,用Inception block替換卷積層使得網(wǎng)絡(luò)可以進行多尺度特征提取融合,在Inception block后面加入ResNet 保證訓(xùn)練過程的穩(wěn)定和性能優(yōu)化,在網(wǎng)絡(luò)的第四層和第五層后面加入dropout層防止訓(xùn)練進入過擬合,在網(wǎng)絡(luò)的第一次上采樣層前加入CBAM 對空間和通道進行注意力監(jiān)督,使得圖像信息可以更完整地保留。輸入的圖片尺寸為256×256×1,經(jīng)過Inception block的3×3、5×5、7×7 的卷積核可以得到尺寸分別為256×256×8、256×256×17、256×156×26的特征圖,經(jīng)過拼接后的特征圖尺寸為256×256×51,在Resblock之后,特征圖大小調(diào)整為256×256×32并在最大池化層被壓縮為128×128×32,直到經(jīng)過第五個Inception block,其尺寸為16×16×853。在特征圖經(jīng)過CBAM 時,其尺寸不會發(fā)生改變,僅通過學(xué)習(xí)通道和空間的特征權(quán)重讓網(wǎng)絡(luò)自行調(diào)整,并將通道和空間的特征權(quán)重與特征圖進行融合后輸入到上采樣層。上采樣后的特征圖與通過跳躍連接的原始圖像信息進行拼接融合,最終通過一個sigmod 激活層恢復(fù)原始圖像大小,得到預(yù)測圖。

    和原有的U-Net 模型相比,改進的U-Net 模型的優(yōu)勢如下:(1)進行多尺度特征提取,學(xué)習(xí)不同尺度下分割目標的特征。(2)在Resblock 的作用下解決多尺度網(wǎng)絡(luò)加寬帶來的梯度消失或梯度爆炸的問題。(3)CBAM 用于在空間和通道上學(xué)習(xí)不同像素的重要程度,從而獲得更加準確的分割結(jié)果。

    2 實驗內(nèi)容

    2.1 實驗環(huán)境

    本實驗采用的硬件環(huán)境為CPU CoreTMi7-8700k 3.7 GHz,GPU NVIDIA RTX2080 顯存8 GB。軟件環(huán)境為python3.6、tensorflow1.12為支撐的keras。

    2.2 數(shù)據(jù)集預(yù)處理

    本實驗數(shù)據(jù)集來源自SpineWeb[19]。Wu 等人[8]也使用了該數(shù)據(jù)集來實驗。該數(shù)據(jù)集包括609張脊柱前后X線圖片,包括脊柱正常的樣本以及發(fā)生脊柱側(cè)凸的樣本,其格式為bmp。

    本實驗使用python的標注工具labelme對數(shù)據(jù)集進行標注,在標注前將脊柱X 線圖像進行預(yù)處理,使其大小為256×256,位深為8位。在預(yù)處理后,對每一節(jié)椎骨進行標注后獲得標簽圖片并進行二值化處理,本實驗的標簽為醫(yī)生認可的真實值。

    2.3 損失函數(shù)

    本實驗采用二元交叉熵來作為損失函數(shù),表達式如式(5)所示:

    二元交叉熵主要用于二分類任務(wù),而本實驗主要是對脊柱進行分割,標簽只有背景和脊柱兩類,所以采用二元交叉熵作為損失函數(shù)。

    2.4 評價指標

    本實驗使用Dice系數(shù)作為評價指標,Dice系數(shù)主要用于計算兩個不同集合的相似性。在本實驗中使用預(yù)測圖像與測試圖像的標簽來計算其Dice 系數(shù),從而得到預(yù)測圖像與測試圖像的相似程度來評價模型的優(yōu)劣程度。

    2.5 實驗細節(jié)

    將130 張脊柱X 線圖像分為110 張訓(xùn)練集和20 張測試集,并使用圖像翻轉(zhuǎn)、平移、裁剪、變焦的方法來進行圖像增強。實驗選用Adam作為優(yōu)化器,并將學(xué)習(xí)率設(shè)為0.000 1。網(wǎng)絡(luò)的batch_size 為11,訓(xùn)練輪次為150輪,每一輪輸入的圖片為256張。本實驗采用了提前結(jié)束的回調(diào)機制,若超過10 個輪次模型的損失值沒有降低,則提前終止模型訓(xùn)練。

    3 實驗結(jié)果及分析

    3.1 模型Dice系數(shù)評估

    為了體現(xiàn)出本實驗?zāi)P偷膬?yōu)勢,本實驗一共設(shè)計了四組對比實驗,分別對改進的網(wǎng)絡(luò)是否使用CBAM 模塊、殘差連接的不同層數(shù)來進行測試。實驗1采用未添加CBAM的網(wǎng)絡(luò),并在Inception block的后面僅添加一層ResNet,最終的平均Dice系數(shù)為0.823 6。實驗2采用未添加CBAM的網(wǎng)絡(luò),在Inception block的后面添加四層ResNet,最終的平均Dice系數(shù)為0.827 2。實驗3采用添加了CBAM的網(wǎng)絡(luò),并在Inception block后面添加一層ResNet,最終的平均Dice系數(shù)為0.828 2。而實驗4是采用添加了CBAM的網(wǎng)絡(luò),并在Inception block的后面添加四層ResNet,最終的平均Dice 系數(shù)為0.845 7。從實驗結(jié)果來看增加殘差連接的層數(shù)和采用CBAM模塊都可以在不同程度上對網(wǎng)絡(luò)的性能有一定提升。表1給出了不同模型下分割精度的對比。

    表1 各模型Dice系數(shù)對比

    從文獻[13]當(dāng)中采用的原始U-Net 網(wǎng)絡(luò)所取得的0.710 6 的Dice 系數(shù)來看,本文最終取得的Dice 系數(shù)為0.845 7,比之前提高了0.135 1。從圖6當(dāng)中的紅框處可以看出,使用了Inception block以及殘差連接和添加了CBAM 的分割效果比原始的U-Net 網(wǎng)絡(luò)和只使用了Inception block 以及殘差連接的分割效果更好,且更接近于標簽的真實值。

    3.2 模型分割結(jié)果評估

    從圖6當(dāng)中的紅框處可以看出,本文最終的實驗?zāi)P偷姆指罱Y(jié)果相比原始的U-Net 網(wǎng)絡(luò)分割結(jié)果有明顯的提高,減少了椎體之間的粘連且與標簽的真實值已非常接近,并減少了誤分割出現(xiàn)的次數(shù)。

    圖6 測試結(jié)果(紅框內(nèi)為不同模型差異之處)

    3.3 訓(xùn)練時間評估

    從訓(xùn)練時間上來看,如表2所示,原始的U-Net網(wǎng)絡(luò)每一個輪次上的訓(xùn)練時間平均為110 s,改進的U-Net模型平均為每輪84 s,遠遠低于原始的U-Net 網(wǎng)絡(luò)訓(xùn)練時間,分割的效果和訓(xùn)練的效率上都已經(jīng)超過U-Net原始網(wǎng)絡(luò)。

    表2 各模型訓(xùn)練時間對比

    本實驗通過對U-Net網(wǎng)絡(luò)進行改進,提高了分割精度,但由于使用Inception block進行多尺度特征提取并在跳躍連接之前加入的Resblock 會增加模型的參數(shù)從而導(dǎo)致模型計算量和模型訓(xùn)練時間的增加,通過表2可以看出使用四層Resblock的模型比只使用一層Resblock的模型每一個輪次的訓(xùn)練時間多了30 s,從而在一定程度上增加了訓(xùn)練代價,但對于醫(yī)學(xué)影像處理任務(wù)精度比速度更為重要,訓(xùn)練代價的增加在可以接受的范圍之內(nèi)。

    3.4 不同模型Dice系數(shù)評估

    為了驗證本實驗?zāi)P偷挠行裕瑢⒈緦嶒灥臄?shù)據(jù)集用于FCN32s、FCN8s以及Mask-R-CNN進行分割,并用Dice 系數(shù)進行評估,表3 給出了不同算法分割精度的對比。

    通過使用上述算法和本實驗算法進行比較可以得出本文的算法模型的Dice系數(shù)相比于FCN32s、FCN8s、U-Net 和Mask-R-CNN 分別提高了23.98%、21.44%、19.01%和10.56%,充分表明本實驗?zāi)P驮诜指罹壬吓c其他算法相比有顯著提高。

    表3 不同算法Dice系數(shù)對比

    4 結(jié)束語

    本文提出了一種基于U-Net 改進的網(wǎng)絡(luò)并對脊柱進行自動分割的方法,通過對U-Net 原有卷積核的改進,使用Inception block 進行多尺度特征提取,使用ResNet 解決梯度消失和梯度爆炸的問題,并使用了CBAM對空間和通道的學(xué)習(xí)權(quán)重進行調(diào)整,從而提升網(wǎng)絡(luò)性能。實驗結(jié)果表明該模型可以有效提高脊柱X 線圖像的分割結(jié)果,但在一定程度上增加了訓(xùn)練代價。后續(xù)可對實驗?zāi)P瓦M一步探討,在盡可能不增加訓(xùn)練代價的情況下得到更好的分割結(jié)果。本文在醫(yī)學(xué)影像處理領(lǐng)域有一定的參考價值,并為后續(xù)深入研究打下堅實的基礎(chǔ)。

    猜你喜歡
    注意力脊柱卷積
    讓注意力“飛”回來
    長期久坐低頭 你的脊柱還好嗎
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    18F-FDG PET/CT在脊柱感染診治中的應(yīng)用及與MRI的比較
    如何保護寶寶的脊柱
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    精品福利永久在线观看| 久久毛片免费看一区二区三区| 热re99久久国产66热| 国产97色在线日韩免费| 久久免费观看电影| 看免费成人av毛片| 两个人免费观看高清视频| 国产欧美日韩一区二区三区在线| 婷婷丁香在线五月| 日本a在线网址| 人妻 亚洲 视频| 蜜桃国产av成人99| 亚洲国产精品一区三区| 免费人妻精品一区二区三区视频| 欧美日韩黄片免| 大片免费播放器 马上看| 久久人人爽av亚洲精品天堂| 日韩av免费高清视频| e午夜精品久久久久久久| 免费观看人在逋| 欧美在线黄色| 韩国高清视频一区二区三区| 免费在线观看日本一区| 在线av久久热| 国产精品久久久久久人妻精品电影 | 丰满人妻熟妇乱又伦精品不卡| 久久精品成人免费网站| 一二三四社区在线视频社区8| 丁香六月天网| 国产亚洲av高清不卡| 亚洲,一卡二卡三卡| 日韩中文字幕视频在线看片| 免费人妻精品一区二区三区视频| 午夜福利,免费看| 成人国产一区最新在线观看 | 国产男女超爽视频在线观看| 日韩精品免费视频一区二区三区| 久久久久久人人人人人| 美女视频免费永久观看网站| 亚洲欧美一区二区三区国产| 日韩免费高清中文字幕av| 看免费av毛片| 国产一区亚洲一区在线观看| 香蕉国产在线看| 男女边摸边吃奶| 成人亚洲欧美一区二区av| kizo精华| 亚洲欧美色中文字幕在线| 亚洲精品在线美女| 亚洲欧洲日产国产| 老司机靠b影院| 精品熟女少妇八av免费久了| 大型av网站在线播放| 亚洲成人免费av在线播放| 亚洲精品在线美女| 免费日韩欧美在线观看| 一级毛片女人18水好多 | 99久久99久久久精品蜜桃| www.熟女人妻精品国产| 亚洲成国产人片在线观看| 最新在线观看一区二区三区 | 午夜激情久久久久久久| 亚洲一卡2卡3卡4卡5卡精品中文| 人人妻人人澡人人爽人人夜夜| www.999成人在线观看| 精品亚洲成a人片在线观看| 18禁观看日本| 亚洲成人免费电影在线观看 | 视频区欧美日本亚洲| 午夜福利,免费看| 宅男免费午夜| 亚洲av成人不卡在线观看播放网 | 中文字幕精品免费在线观看视频| 制服人妻中文乱码| 久久久国产一区二区| 女人精品久久久久毛片| 日本午夜av视频| 一区在线观看完整版| 久久99一区二区三区| 色94色欧美一区二区| 久久天堂一区二区三区四区| 搡老岳熟女国产| 亚洲专区中文字幕在线| 亚洲中文字幕日韩| 丝袜脚勾引网站| 黄色a级毛片大全视频| 美女扒开内裤让男人捅视频| 国产亚洲欧美精品永久| 一本—道久久a久久精品蜜桃钙片| 操出白浆在线播放| 日韩av在线免费看完整版不卡| 精品人妻熟女毛片av久久网站| 波多野结衣av一区二区av| 久久久国产欧美日韩av| 日本91视频免费播放| 啦啦啦啦在线视频资源| 好男人视频免费观看在线| 久久ye,这里只有精品| 精品一区二区三区四区五区乱码 | av福利片在线| 男人操女人黄网站| av网站免费在线观看视频| 母亲3免费完整高清在线观看| 女人久久www免费人成看片| 亚洲国产看品久久| 精品人妻1区二区| 精品国产超薄肉色丝袜足j| 曰老女人黄片| 丝袜美足系列| 国产成人免费无遮挡视频| 久久综合国产亚洲精品| 一本—道久久a久久精品蜜桃钙片| 婷婷色综合大香蕉| 美女大奶头黄色视频| 欧美激情高清一区二区三区| 亚洲国产欧美一区二区综合| 国产精品国产三级专区第一集| 丝袜美腿诱惑在线| 欧美人与善性xxx| 少妇被粗大的猛进出69影院| 新久久久久国产一级毛片| av在线老鸭窝| av天堂在线播放| 少妇粗大呻吟视频| 亚洲国产成人一精品久久久| 亚洲欧美中文字幕日韩二区| 亚洲午夜精品一区,二区,三区| 99久久99久久久精品蜜桃| 亚洲 欧美一区二区三区| 国产一区二区 视频在线| 国产成人av教育| 欧美精品人与动牲交sv欧美| 人妻 亚洲 视频| 亚洲精品国产av蜜桃| 另类精品久久| 新久久久久国产一级毛片| 精品人妻1区二区| 亚洲 国产 在线| 91成人精品电影| 乱人伦中国视频| 91字幕亚洲| 99国产精品99久久久久| 9191精品国产免费久久| 欧美性长视频在线观看| 我要看黄色一级片免费的| 最近手机中文字幕大全| 女性被躁到高潮视频| 狂野欧美激情性bbbbbb| 777久久人妻少妇嫩草av网站| 91九色精品人成在线观看| 精品国产国语对白av| 亚洲国产最新在线播放| 9191精品国产免费久久| 国产精品久久久久成人av| 国产精品国产三级国产专区5o| www.自偷自拍.com| 99久久人妻综合| 国产精品麻豆人妻色哟哟久久| 久久亚洲精品不卡| 国产午夜精品一二区理论片| 高清视频免费观看一区二区| 亚洲国产精品999| av视频免费观看在线观看| a级片在线免费高清观看视频| 亚洲,欧美精品.| 精品少妇黑人巨大在线播放| 亚洲精品美女久久久久99蜜臀 | 国产色视频综合| 一区在线观看完整版| 黄色片一级片一级黄色片| 少妇人妻 视频| 国产麻豆69| 精品久久蜜臀av无| 成人影院久久| 国产视频首页在线观看| 看免费av毛片| 国产在视频线精品| 91九色精品人成在线观看| 老司机深夜福利视频在线观看 | 欧美大码av| 国产精品一区二区免费欧美 | 性少妇av在线| 免费不卡黄色视频| 大码成人一级视频| 欧美中文综合在线视频| 黑人欧美特级aaaaaa片| 国产国语露脸激情在线看| 亚洲人成电影观看| 少妇人妻 视频| 亚洲国产av影院在线观看| www.熟女人妻精品国产| 我的亚洲天堂| 啦啦啦在线免费观看视频4| 久久国产亚洲av麻豆专区| 免费在线观看日本一区| 9191精品国产免费久久| 免费日韩欧美在线观看| 亚洲五月色婷婷综合| 亚洲三区欧美一区| 波多野结衣av一区二区av| 亚洲第一av免费看| 热99久久久久精品小说推荐| 一二三四社区在线视频社区8| 亚洲av美国av| 久久鲁丝午夜福利片| 在线天堂中文资源库| 国产精品.久久久| 久久中文字幕一级| 男女免费视频国产| 视频在线观看一区二区三区| 亚洲人成电影观看| 日本一区二区免费在线视频| 日韩av免费高清视频| 青青草视频在线视频观看| 黄色毛片三级朝国网站| 97精品久久久久久久久久精品| 飞空精品影院首页| 欧美成人精品欧美一级黄| 伊人久久大香线蕉亚洲五| 久久久久久久国产电影| 男人添女人高潮全过程视频| 午夜福利,免费看| 久久精品人人爽人人爽视色| 大型av网站在线播放| 1024视频免费在线观看| 亚洲伊人久久精品综合| 夫妻午夜视频| 啦啦啦在线免费观看视频4| 亚洲欧美一区二区三区久久| 黄色视频在线播放观看不卡| 国产精品一二三区在线看| 女人高潮潮喷娇喘18禁视频| 午夜免费男女啪啪视频观看| 日韩,欧美,国产一区二区三区| 国产熟女欧美一区二区| cao死你这个sao货| 亚洲一区二区三区欧美精品| 国产成人91sexporn| 一边亲一边摸免费视频| 高潮久久久久久久久久久不卡| av在线播放精品| 欧美性长视频在线观看| 美女视频免费永久观看网站| 精品少妇久久久久久888优播| 国产精品一区二区在线不卡| 亚洲色图综合在线观看| 超碰成人久久| 亚洲专区国产一区二区| 成人国产一区最新在线观看 | 欧美激情高清一区二区三区| 一区在线观看完整版| 亚洲免费av在线视频| 久久影院123| 亚洲av片天天在线观看| 亚洲中文字幕日韩| 搡老岳熟女国产| 视频区欧美日本亚洲| 只有这里有精品99| 成人国产av品久久久| 我要看黄色一级片免费的| 亚洲欧美一区二区三区国产| 国产无遮挡羞羞视频在线观看| 极品少妇高潮喷水抽搐| 国产欧美日韩一区二区三 | 国产精品熟女久久久久浪| 天堂俺去俺来也www色官网| 国产在线一区二区三区精| 捣出白浆h1v1| 交换朋友夫妻互换小说| 各种免费的搞黄视频| 50天的宝宝边吃奶边哭怎么回事| 不卡av一区二区三区| 在线观看www视频免费| 亚洲精品一区蜜桃| 一区二区日韩欧美中文字幕| 视频区欧美日本亚洲| 免费高清在线观看视频在线观看| 少妇人妻久久综合中文| 50天的宝宝边吃奶边哭怎么回事| 男人爽女人下面视频在线观看| 亚洲少妇的诱惑av| 国产三级黄色录像| 久久99精品国语久久久| 色综合欧美亚洲国产小说| 男男h啪啪无遮挡| 少妇 在线观看| 精品人妻1区二区| 精品少妇黑人巨大在线播放| 欧美日韩亚洲综合一区二区三区_| 国产精品成人在线| 国产精品 欧美亚洲| 9191精品国产免费久久| 99热全是精品| 午夜影院在线不卡| 国产在线视频一区二区| 母亲3免费完整高清在线观看| 中文字幕色久视频| 国产伦人伦偷精品视频| 国产成人一区二区三区免费视频网站 | 精品久久久久久久毛片微露脸 | 搡老岳熟女国产| 久久精品人人爽人人爽视色| 制服诱惑二区| 国产精品一区二区在线不卡| 亚洲自偷自拍图片 自拍| 女人被躁到高潮嗷嗷叫费观| 国产91精品成人一区二区三区 | 两人在一起打扑克的视频| 久久国产亚洲av麻豆专区| 国产日韩欧美视频二区| 午夜影院在线不卡| 国产av精品麻豆| 亚洲国产av影院在线观看| 人人澡人人妻人| 免费在线观看视频国产中文字幕亚洲 | 丰满人妻熟妇乱又伦精品不卡| 黄色毛片三级朝国网站| 少妇 在线观看| 国产主播在线观看一区二区 | 国产精品一区二区免费欧美 | 色播在线永久视频| 一区二区三区激情视频| 少妇被粗大的猛进出69影院| 国产成人精品久久二区二区91| 亚洲伊人久久精品综合| 国产99久久九九免费精品| 97精品久久久久久久久久精品| 欧美精品高潮呻吟av久久| 久久久国产精品麻豆| 精品国产乱码久久久久久小说| 两个人看的免费小视频| 亚洲精品第二区| avwww免费| 国产成人精品久久久久久| 国产成人欧美在线观看 | 好男人视频免费观看在线| 成人国产一区最新在线观看 | 日本猛色少妇xxxxx猛交久久| 9191精品国产免费久久| 亚洲精品一区蜜桃| 国产欧美日韩精品亚洲av| 亚洲精品一区蜜桃| 天天躁狠狠躁夜夜躁狠狠躁| 国产三级黄色录像| 后天国语完整版免费观看| 大片电影免费在线观看免费| 亚洲av片天天在线观看| 热re99久久精品国产66热6| 欧美黑人精品巨大| 国产成人精品在线电影| 亚洲激情五月婷婷啪啪| 日韩av免费高清视频| 下体分泌物呈黄色| 日本五十路高清| 五月开心婷婷网| 成人黄色视频免费在线看| 日本猛色少妇xxxxx猛交久久| 在现免费观看毛片| 一个人免费看片子| 色网站视频免费| 日韩一卡2卡3卡4卡2021年| 精品少妇内射三级| 新久久久久国产一级毛片| 久久人妻福利社区极品人妻图片 | 亚洲午夜精品一区,二区,三区| 80岁老熟妇乱子伦牲交| 国产成人影院久久av| 男女边吃奶边做爰视频| 国产黄色视频一区二区在线观看| 亚洲国产看品久久| 天堂中文最新版在线下载| 中文字幕最新亚洲高清| 久久久精品区二区三区| 国产午夜精品一二区理论片| 国产精品偷伦视频观看了| 一本色道久久久久久精品综合| 亚洲,一卡二卡三卡| 在线亚洲精品国产二区图片欧美| 午夜免费观看性视频| 交换朋友夫妻互换小说| 成人国产av品久久久| 天堂俺去俺来也www色官网| 99国产精品免费福利视频| 成人黄色视频免费在线看| 免费在线观看日本一区| 伊人久久大香线蕉亚洲五| 国产av精品麻豆| 国产亚洲欧美精品永久| 日韩一区二区三区影片| 深夜精品福利| 国产国语露脸激情在线看| 无限看片的www在线观看| 久久狼人影院| 一区二区三区精品91| 久久精品久久精品一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 成人免费观看视频高清| 免费不卡黄色视频| 久久精品国产综合久久久| 人妻 亚洲 视频| 亚洲精品日韩在线中文字幕| av天堂久久9| 丝袜在线中文字幕| 亚洲av日韩精品久久久久久密 | 国产成人啪精品午夜网站| 国产日韩欧美视频二区| 亚洲成色77777| 大码成人一级视频| 精品国产超薄肉色丝袜足j| 女性生殖器流出的白浆| 中文精品一卡2卡3卡4更新| 丰满饥渴人妻一区二区三| 国产在线免费精品| 少妇的丰满在线观看| 久久国产精品影院| 国产欧美日韩精品亚洲av| 精品一区二区三区四区五区乱码 | 亚洲熟女毛片儿| 老汉色av国产亚洲站长工具| 亚洲五月婷婷丁香| 欧美日韩亚洲国产一区二区在线观看 | 亚洲av日韩在线播放| 菩萨蛮人人尽说江南好唐韦庄| 天堂8中文在线网| 亚洲欧美中文字幕日韩二区| 午夜福利视频在线观看免费| 欧美日本中文国产一区发布| 免费在线观看黄色视频的| 国产精品亚洲av一区麻豆| 亚洲成人手机| 亚洲av在线观看美女高潮| 人人妻人人澡人人爽人人夜夜| 精品国产乱码久久久久久小说| 黄色毛片三级朝国网站| 久热爱精品视频在线9| 国产av一区二区精品久久| 国产精品 国内视频| 国产男人的电影天堂91| 五月天丁香电影| 丝瓜视频免费看黄片| 人人妻人人澡人人爽人人夜夜| 婷婷色综合大香蕉| av国产精品久久久久影院| 在线亚洲精品国产二区图片欧美| 亚洲伊人色综图| 在线观看一区二区三区激情| 99国产综合亚洲精品| 国产成人欧美在线观看 | 久久亚洲精品不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 黄片播放在线免费| 中文乱码字字幕精品一区二区三区| 男女无遮挡免费网站观看| 日本av免费视频播放| 男女国产视频网站| 晚上一个人看的免费电影| 免费观看av网站的网址| 黑人欧美特级aaaaaa片| 悠悠久久av| 亚洲国产日韩一区二区| 国产一区亚洲一区在线观看| 亚洲一区中文字幕在线| 一本一本久久a久久精品综合妖精| 免费高清在线观看视频在线观看| 黄片播放在线免费| 少妇精品久久久久久久| cao死你这个sao货| 欧美中文综合在线视频| 久久久久网色| 黄色视频不卡| 欧美黄色淫秽网站| 中文字幕av电影在线播放| 国产日韩欧美亚洲二区| 久久久亚洲精品成人影院| 国产1区2区3区精品| 亚洲伊人色综图| 免费观看av网站的网址| 国产男人的电影天堂91| 亚洲成人手机| 熟女av电影| 免费在线观看黄色视频的| 中文字幕高清在线视频| 午夜福利视频在线观看免费| 99国产综合亚洲精品| 久久久久国产一级毛片高清牌| 99国产精品99久久久久| 丝瓜视频免费看黄片| 色网站视频免费| 久久久久久亚洲精品国产蜜桃av| 天天躁日日躁夜夜躁夜夜| 日韩 欧美 亚洲 中文字幕| 这个男人来自地球电影免费观看| 美女福利国产在线| 丰满饥渴人妻一区二区三| 天天添夜夜摸| 中文字幕色久视频| 777久久人妻少妇嫩草av网站| 另类亚洲欧美激情| 国产精品偷伦视频观看了| 日日夜夜操网爽| 欧美亚洲日本最大视频资源| 黑丝袜美女国产一区| xxx大片免费视频| 日韩 亚洲 欧美在线| 高清视频免费观看一区二区| 亚洲熟女精品中文字幕| 国产一区二区 视频在线| 国产日韩欧美亚洲二区| 亚洲av日韩在线播放| av天堂久久9| 老汉色∧v一级毛片| 久久女婷五月综合色啪小说| 国产一区亚洲一区在线观看| 性色av一级| 精品人妻熟女毛片av久久网站| 最黄视频免费看| 亚洲中文日韩欧美视频| 国产亚洲精品第一综合不卡| 国产精品 国内视频| 欧美久久黑人一区二区| 国产精品一二三区在线看| 中文字幕另类日韩欧美亚洲嫩草| 少妇的丰满在线观看| 欧美日韩av久久| 黄片小视频在线播放| 久9热在线精品视频| 久久精品国产综合久久久| 国产精品久久久人人做人人爽| 永久免费av网站大全| 日本av手机在线免费观看| tube8黄色片| 亚洲欧美一区二区三区黑人| 久久人人爽av亚洲精品天堂| 国产高清视频在线播放一区 | 在线观看国产h片| 晚上一个人看的免费电影| 成年美女黄网站色视频大全免费| 色婷婷av一区二区三区视频| 丰满饥渴人妻一区二区三| 国产精品.久久久| 少妇的丰满在线观看| 日韩 亚洲 欧美在线| 一二三四社区在线视频社区8| 18禁裸乳无遮挡动漫免费视频| 另类精品久久| 国产亚洲精品久久久久5区| 国产高清国产精品国产三级| 每晚都被弄得嗷嗷叫到高潮| 天天操日日干夜夜撸| 亚洲成人手机| 午夜免费观看性视频| 亚洲国产看品久久| 精品一区二区三区四区五区乱码 | 50天的宝宝边吃奶边哭怎么回事| www.自偷自拍.com| 超色免费av| 久久精品国产综合久久久| 日本欧美视频一区| 欧美日韩视频精品一区| 欧美精品亚洲一区二区| 国产亚洲精品久久久久5区| 久久午夜综合久久蜜桃| 亚洲 国产 在线| 亚洲av欧美aⅴ国产| 青春草亚洲视频在线观看| 欧美在线黄色| 青草久久国产| 欧美精品啪啪一区二区三区 | 波野结衣二区三区在线| 久久ye,这里只有精品| 亚洲欧美日韩另类电影网站| 尾随美女入室| 18禁裸乳无遮挡动漫免费视频| 欧美精品亚洲一区二区| 久久精品国产亚洲av高清一级| 啦啦啦视频在线资源免费观看| 18禁国产床啪视频网站| 国产一区二区 视频在线| 久久狼人影院| xxx大片免费视频| 丁香六月天网| 首页视频小说图片口味搜索 | 99国产精品免费福利视频| 777米奇影视久久| 一级a爱视频在线免费观看| 精品免费久久久久久久清纯 | 一级毛片我不卡| 午夜福利免费观看在线| 成年人黄色毛片网站| av电影中文网址| 两个人免费观看高清视频| 成人国产av品久久久| 欧美成人午夜精品| 久久中文字幕一级| 国产成人av激情在线播放| 欧美日韩黄片免| 十八禁人妻一区二区| 色婷婷久久久亚洲欧美| 亚洲成av片中文字幕在线观看| 欧美少妇被猛烈插入视频| 91字幕亚洲| 最黄视频免费看| 777久久人妻少妇嫩草av网站| 欧美人与善性xxx| 一本—道久久a久久精品蜜桃钙片| 女人被躁到高潮嗷嗷叫费观| www.av在线官网国产| 高潮久久久久久久久久久不卡| 人妻 亚洲 视频| 爱豆传媒免费全集在线观看| 黄色 视频免费看| 波多野结衣一区麻豆| 曰老女人黄片| videosex国产| 国产成人av激情在线播放|