• <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 ?

    基于條件能量對抗網(wǎng)絡(luò)的肝臟和肝腫瘤分割

    2021-06-11 12:49:44王衛(wèi)衛(wèi)
    計算機工程與應(yīng)用 2021年11期
    關(guān)鍵詞:類別損失像素

    閆 諳,王衛(wèi)衛(wèi)

    西安電子科技大學 數(shù)學與統(tǒng)計學院,西安710071

    肝癌是最致命的癌癥之一,其致死率在惡性腫瘤中位居第三[1]。肝臟和肝腫瘤影像的分割在臨床診斷中具有重要意義。傳統(tǒng)肝臟和肝腫瘤分割方法包括圖割[2]、區(qū)域增長[3]、水平集[4]、形變模型[5]等。這些方法大多依賴于人工設(shè)計特征,由于肝臟區(qū)域結(jié)構(gòu)或紋理等特征的復雜性,人工設(shè)計的特征不能完全描述醫(yī)學圖像特征,導致分割精度不佳。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[6]可以從數(shù)據(jù)中自動學習圖像特征,取得了很好的分割效果,是目前用于肝臟和肝腫瘤分割的主要神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。2015年,Long等人提出了全卷積網(wǎng)絡(luò)(Fully Convolutional Network,F(xiàn)CN)[7],F(xiàn)CN將VGG網(wǎng)絡(luò)[8]的全連接層替換為卷積層,首次將CNN應(yīng)用于語義分割中。2016年,Ben-Cohen等人[9]首次使用FCN解決肝臟和肝腫瘤分割問題。Unet[10]以FCN為主干充分挖掘了圖像的多尺度特征。Seo等人[11]在Unet的基礎(chǔ)上增加了殘差路徑提升了肝臟和肝腫瘤的分割精度。上述神經(jīng)網(wǎng)絡(luò)在分割過程中通過對像素獨立分類來實現(xiàn)肝臟和肝腫瘤的自動分割,但是存在一定缺陷,主要表現(xiàn)為目標邊界和小體積目標分割精度不佳。造成這一缺陷的原因是沒有充分考慮像素類別之間的高階一致性[12]。為充分利用鄰域內(nèi)像素類別的相關(guān)性,Dense CRF[13]將條件隨機場(Conditional Random Field,CRF)作為FCN的后處理,將FCN的輸出作為一階勢函數(shù),利用二階勢函數(shù)描述像素之間的類別關(guān)系,提升了分割效果。DenseCRF的結(jié)果表明利用高階關(guān)系可以提升分割精度。

    然而使用數(shù)學方法描述像素類別之間的二階以上關(guān)系十分困難,并且難以求解。因此,本文使用一個卷積網(wǎng)絡(luò)用于像素分類實現(xiàn)肝臟和肝腫瘤分割,使用另外一個網(wǎng)絡(luò)學習像素類別的高階關(guān)系,并將兩個網(wǎng)絡(luò)形成生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks,GANs)[14]結(jié)構(gòu),通過對抗訓練的方法從樣本中學習特征,提升肝臟和肝腫瘤的分割精度。為將GANs結(jié)構(gòu)用于肝臟和肝腫瘤分割,并減少GANs訓練中出現(xiàn)的梯度消失和梯度爆炸等問題,本文基于能量生成對抗網(wǎng)絡(luò)(Energy-Based Generative Adversarial Network,EBGAN)[15]和條件生成對抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network,CGAN)[16]提出了條件能量對抗網(wǎng)絡(luò)。具體地,將Unet[10]作為EBGAN框架中的生成器,將自編碼器(Auto-Encoder,AE)作為判別器。Unet用于生成肝臟和肝腫瘤的分割結(jié)果,自編碼器用于計算分割結(jié)果與真實標注的能量差異值,將該差異值作為損失值對生成器進行訓練。在生成器與判別器的對抗訓練過程中,判別器作為一種損失函數(shù)可以從圖像中學習像素類別之間的高階相關(guān)性,從而提升小目標和目標邊界分割精度[12,17]。在EBGAN的基礎(chǔ)上使用原始醫(yī)學圖像作為條件約束,以提升Unet輸出的分割精度。本文提出的方法實現(xiàn)了端到端訓練,不需要后處理。在LiTS 2017數(shù)據(jù)集和3DIRCADb公開數(shù)據(jù)集上對提出的方法進行驗證,實驗結(jié)果表明該方法在肝臟和肝腫瘤分割任務(wù)上具有一定的有效性和一般性。

    1 相關(guān)算法

    本章主要介紹一些相關(guān)算法,包括GANs[14]、EBGAN[15]和CGAN[16]。

    1.1 GANs

    GANs由生成器和判別器組成,可通過求解如下最大最小博弈問題來訓練GANs網(wǎng)絡(luò):

    其中,D(?)和G(?)表示判別器和生成器,z表示從噪聲分布pz中隨機采樣的噪聲,x表示從真實分布pr中采樣得到的真實樣本。由生成器生成的圖像輸入到判別器中接受真假判別,判別器輸出概率值越接近1說明生成器的生成效果越好。當且僅當生成分布pg等于真實分布pr時,最大最小博弈問題達到最優(yōu)。GANs存在以下不足之處,訓練不穩(wěn)定,判別器不能預訓練以及生成數(shù)據(jù)內(nèi)容不可控。

    1.2 EBGAN

    GANs是基于概率的模型,生成分布與真實分布的支撐集之間可能沒有交集,使得KL散度沒有定義,最終導致梯度消失或梯度爆炸,因此GANs存在一定訓練難度。而EBGAN以能量理論為模型,不再考慮生成分布、真實分布以及分布之間的距離,而是將判別器視為能量函數(shù)。能量函數(shù)將輸入映射為一個能量值,并通過能量值的高低來評估生成器的生成能力,若生成數(shù)據(jù)能量值較低,說明生成器生成的樣本接近真實數(shù)據(jù)。

    EBGAN將能量函數(shù)作為判別器,為判別器結(jié)構(gòu)和損失函數(shù)的設(shè)計提供了更大的靈活性?;谶呺H損失,EBGAN的判別器和生成器的目標函數(shù)如下:

    其中,LD和LG分別表示判別器和生成器的目標函數(shù),m為大于0的超參數(shù),[]?+=max(0,?)。與傳統(tǒng)GANs不同,EBGAN的判別器可以使用真實數(shù)據(jù)預訓練。

    1.3 CGAN

    為控制生成器的生成內(nèi)容,CGAN將類別標簽等額外信息作為約束條件引入到生成器和判別器中。CGAN的目標函數(shù)為:

    其中,y表示條件變量。在某種程度上,CGAN可被視為一個有監(jiān)督模型,條件變量可被視為監(jiān)督信息。

    2 本文方法

    Unet等基于CNN的分割網(wǎng)絡(luò)通過獨立預測每個像素點的類別標簽來實現(xiàn)對肝臟和肝腫瘤的自動分割。然而,這些分割網(wǎng)絡(luò)忽略了相鄰像素類別之間的高度相關(guān)性。盡管Dense CRF[13]通過二階勢函數(shù)來考慮像素類別之間的一致性,但是高階一致性更有利于提高分割精度。與定義復雜的高階勢函數(shù)不同,對抗網(wǎng)絡(luò)可以直接從數(shù)據(jù)中學習像素類別之間的高階一致性[12,17]。

    鑒于EBGAN的優(yōu)點,本文采用EBGAN進行肝臟和肝腫瘤分割。EBGAN的生成器和判別器均采用基于CNN的網(wǎng)絡(luò)結(jié)構(gòu)。對于生成器,為充分利用輸入圖像的多尺度特征,本文使用Unet[10];對于判別模型,本文使用自編碼器。本文的網(wǎng)絡(luò)與EBGAN的主要區(qū)別在于使用原始醫(yī)學圖像作為條件約束來控制預測分割結(jié)果的內(nèi)容;此外,將交叉熵損失和dice損失[18]加入到目標函數(shù)中,使得預測分割結(jié)果與真實標注盡可能接近,同時避免樣本不均衡問題。本文方法不需任何后處理。

    2.1 模型結(jié)構(gòu)

    本文使用Unet和一個改進的自編碼器作為生成器和判別器,網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。以原始醫(yī)學圖像作為輸入,生成器用于產(chǎn)生對應(yīng)的預測分割結(jié)果。將真實標注和預測分割結(jié)果輸入到判別器中,計算重構(gòu)圖像與真實標注之間的重構(gòu)誤差。此外,將原始醫(yī)學圖像作為條件約束輸入到判別器中。

    圖1 提出的網(wǎng)絡(luò)結(jié)構(gòu)

    2.2 生成器

    本文使用的Unet網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。該結(jié)構(gòu)由一個收縮路徑和一個擴張路徑構(gòu)成,這種結(jié)構(gòu)可以充分利用圖像的多尺度特征來獲取分割結(jié)果。收縮路徑用于提取不同尺度的特征,擴張路徑用于將這些特征恢復至與原始圖像相同的分辨率。

    圖2 Unet的模型結(jié)構(gòu)

    Unet以原始醫(yī)學圖像作為輸入,輸出對應(yīng)的預測分割結(jié)果。在特征提取階段,通過最大池化對原始圖像進行4次下采樣以提取不同尺度特征。每個尺度上的特征提取均由兩次重復卷積,批歸一化和LeakyReLU實現(xiàn)。此外,通道的數(shù)量在每一次最大池化后加倍。Unet對收縮路徑最后一個尺度上的特征進行了4次上采樣。通道數(shù)量在每次上采樣過程中減半。由于在每一次下采樣過程中都會丟失圖像上下文信息,因此引入跳躍連接來連接擴張路徑和收縮路徑對應(yīng)尺度上的特征,以保留圖像上下文信息。為了限制數(shù)值范圍,Unet的最后一層添加了softmax激活函數(shù)。

    為訓練Unet,最小化如下目標函數(shù):

    其中,xraw和xlab分別表示原始醫(yī)學圖像及其對應(yīng)的真實標注。xpre表示Unet對原始醫(yī)學圖像的分割結(jié)果。x?pre表示Unet輸出的分割結(jié)果經(jīng)判別器產(chǎn)生的重構(gòu)圖像。式(4)中的目標函數(shù)采用LCE、Ldice和Lrec的加權(quán)形式。μ、λ和β為對應(yīng)項的權(quán)重。LCE表示交叉熵,用于減少Unet的分割結(jié)果與真實標注之間的差異。Ldice表示dice損失,用于避免樣本不均衡問題。Ldice的具體形式為:

    Lrec是來自判別器的重構(gòu)誤差。在原始醫(yī)學圖像的條件約束下,將Unet的分割結(jié)果輸入到判別器中,使用判別器輸出與真實標注計算Lrec。在Unet與判別器的對抗訓練過程中,通過減小Lrec使Unet從數(shù)據(jù)中學習像素類別之間的高階關(guān)系。

    2.3 判別器

    本文使用與自編碼器相似的結(jié)構(gòu)作為判別器,如圖3所示。自編碼器由編碼器和解碼器組成,編碼器用于提取特征,解碼器用于從提取的特征中重構(gòu)出圖像。特征提取部分主要由4個重復的卷積組成,每個卷積后接一個批歸一化和LeakyReLU。此外,使用4次最大池化進行下采樣。當圖像特征提取完成后,對應(yīng)地使用4次上采樣從提取的特征中重構(gòu)出圖像。

    圖3 AE的模型結(jié)構(gòu)

    為訓練判別器,最小化如下目標函數(shù):

    其中,xlab表示與原始輸入圖像對應(yīng)的真實標注,表示將真實標注輸入到自編碼器后得到的重構(gòu)圖像,Lrec為xlab與之間的重構(gòu)誤差。在原始醫(yī)學圖像的條件約束下,本文中的判別器僅使用真實標注進行訓練,目的是令判別器只充分學習真實標注的特征。在此情況下,判別器為真實樣本分配較低能量值,為生成樣本分配較高能量值。

    3 實驗

    3.1 數(shù)據(jù)集和預處理

    本文在MICCAI 2017肝臟腫瘤分割(LiTS)數(shù)據(jù)集[19]和3DIRCADb公開數(shù)據(jù)集[20]上驗證提出的方法。LiTS 2017數(shù)據(jù)集包含131個訓練樣本和70個測試樣本。3DIRCADb數(shù)據(jù)集包含20個樣本。隨機從LiTS 2017的訓練樣本中抽取90%作為訓練集,剩余的10%作為驗證集。為進一步證明提出方法的有效性和一般性,在3DIRCADb數(shù)據(jù)集上驗證提出的方法。所有樣本的分辨率均為512×512,但通道數(shù)目各不相同。

    訓練模型之前需要對數(shù)據(jù)進行預處理。數(shù)據(jù)的預處理包括通道篩選、CT值截取、數(shù)據(jù)增廣以及歸一化。為避免樣本不均衡,從訓練集中篩選出17 227個帶有標注的通道作為最終訓練集。CT值通常用來判斷病理組織的性質(zhì)和類型。為去除干擾細節(jié),將所有CT值截斷至[?200,250]HU范圍內(nèi)。為避免訓練樣本不足造成的過擬合,使用仿射變換和對比度變換對數(shù)據(jù)集進行了擴充。將輸入醫(yī)學圖像的每個像素值歸一化至[0,1]范圍內(nèi),方法如下:

    其中,Pij表示任意原始像素點的像素值,Pmin和Pmax表示一個輸入圖像內(nèi)所有像素值的最小值和最大值,P?ij表示歸一化后的像素值。

    3.2 評估方法

    本文采用全局Dice、平均Dice、體積重疊誤差(VOE)以及相對體積差異(RVD)作為評估指標。全局Dice是通過將所有樣本合并為一個單獨的樣本來計算的,平均Dice是對所有樣本的Dice求平均來計算的。給定2個二值分割圖A和B,Dice,VOE和RVD的計算方式如下:

    全局Dice和平均Dice的值均在[0,1]之間,并且值越接近1越說明分割效果好。VOE與RVD的值為0時說明分割效果最理想。

    3.3 實驗設(shè)置

    本文使用Pytorch框架在單臺NVDIA 2080ti GPU上對提出的方法進行訓練和驗證。生成器使用的是原始Unet。在本文中,自編碼器由4個重復的卷積組成,卷積核大小為3×3,通道數(shù)量為32,64,128,256,256,128,64,32。此外,將所有Leaky ReLU的負斜率設(shè)置為0.1。公式(4)和公式(6)分別作為訓練Unet和自編碼器的損失函數(shù)。本文施加條件約束的方式為將真實標注與預測分割結(jié)果分別與原始醫(yī)學圖像拼接,然后輸入到判別器中。

    3.4 對比實驗與分析

    為證明提出方法的有效性,設(shè)置3組對比實驗分別用于驗證本文方法對于提升Unet分割性能的有效性,施加條件約束的有效性以及本文方法相比于其他改進GANs的優(yōu)勢。以上3組實驗均在相同實驗設(shè)置下完成。所有對比實驗的訓練輪數(shù)均為100輪,利用LiTS 2017的訓練集對模型進行訓練,訓練使用的樣本數(shù)量均為17 227個,初始學習率為1E?4,優(yōu)化器為Adam。本文的損失函數(shù)采用了交叉熵損失、dice損失和重構(gòu)誤差的加權(quán)形式。各損失項的計算方法是將肝臟器官、肝臟腫瘤和背景視作3個類別分別計算損失值,然后將各損失值進行加權(quán)求和作為該損失項整體損失值。對樣本中腫瘤、器官區(qū)域和背景區(qū)域占據(jù)圖像體積的比例進行統(tǒng)計作為確定超參數(shù)的依據(jù),并結(jié)合實驗過程最終將肝臟、肝腫瘤和背景的加權(quán)系數(shù)分別設(shè)置為0.09、0.9和0.01。為便于在[0,1]范圍內(nèi)觀察并對比各項損失值,將損失函數(shù)中損失項的超參設(shè)置為μ=λ=β=1。圖4和圖5分別為3組對比實驗的dice損失曲線和交叉熵損失曲線。

    圖4 dice損失曲線

    圖5 交叉熵損失曲線

    3.4.1 條件EBGAN的有效性

    本文將Unet嵌入到改進的EBGAN中,通過對抗訓練,提升模型的分割性能。為了與未使用對抗的Unet對比,采用交叉熵損失和dice損失訓練獨立的Unet。根據(jù)公式(5)和公式(8)可以看出,dice損失曲線不僅可以反映訓練過程中損失值的變換規(guī)律,還可以體現(xiàn)出Dice指標的提升情況。由圖4中的dice損失曲線觀察發(fā)現(xiàn),本文方法的損失曲線低于Unet,說明本文方法的分割精度高于Unet。交叉熵損失曲線反映了像素分類情況,由圖5可知本文方法的交叉熵損失值低于Unet,說明本文方法的分類效果略有提升。圖6展示了本文方法和Unet在LiTS驗證集上的分割結(jié)果。通過觀察可知,Unet有時無法分割出輸入圖像中的小體積腫瘤,并且對于目標邊緣處的分割效果不佳。從表1中的評估指標也可看出,本文方法與Unet相比對于肝臟分割的平均Dice和全局Dice分別提升了0.8個百分點和0.6個百分點,對于肝腫瘤分割的平均Dice和全局Dice均提升了2.5個百分點。本文將Unet神經(jīng)網(wǎng)絡(luò)嵌入到條件能量生成對抗網(wǎng)絡(luò)的框架下,通過對抗訓練學習像素類別之間的高階一致性,有效提升了小體積目標和目標邊界的分割精度。

    圖6 原始Unet及本文方法在LiTS驗證集上的分割結(jié)果(灰色區(qū)域表示器官,白色區(qū)域表示腫瘤)

    表1 本文方法以及對比方法在LiTS驗證集上的分割結(jié)果%

    3.4.2 條件約束的有效性

    為證明條件約束在本文方法中的重要性,將本文方法與無條件約束的EBGAN進行對比。由于原始圖像包含較為精確的位置信息,因此本文將原始圖像與對應(yīng)的Unet輸出相拼接后作為判別器輸入,加強判別器學習圖像高階結(jié)構(gòu)信息的能力。由圖4和圖5可知,本文方法的dice損失曲線和交叉熵損失曲線均優(yōu)于無條件約束的EBGAN。對比表1中的驗證指標可知,本文方法的分割性能優(yōu)于無條件約束的EBGAN。

    3.4.3 與其他改進GANs的對比

    將相同設(shè)置的Unet分別嵌入到CGAN[16]和WGANGP[21]的框架下以與本文方法進行對比。以Unet作為模型的生成器,并將原始輸入圖像作為CGAN和WGAN-GP判別器的約束條件。將條件約束下的WGAN-GP記為WGAN-GP-C。由圖4和圖5可以看出,本文方法的損失曲線始終低于CGAN和WGAN-GP-C,并且CGAN和WGAN-GP-C的損失曲線均出現(xiàn)了波動,而本文方法的損失曲線平滑下降。EBGAN的判別器使用能量模型代替?zhèn)鹘y(tǒng)GANs的概率模型,能量模型相對于概率模型的優(yōu)勢是判別器可以預訓練[15],并且訓練過程比較穩(wěn)定。對比表1中的評估指標可知,本文方法的分割性能優(yōu)于CGAN和WGAN-GP-C。

    3.5 方法的一般性驗證

    3DIRCADb數(shù)據(jù)集相比于LiTS 2017數(shù)據(jù)集具有更高的復雜性和多樣性。3DIRCADb數(shù)據(jù)集中包含20個樣本,其中15個樣本中同時包含肝臟和腫瘤。為證明本文方法的一般性,利用3DIRCADb數(shù)據(jù)集中的這15個樣本對使用LiTS數(shù)據(jù)集訓練好的模型進行驗證。3DIRCADb數(shù)據(jù)集采用的評估指標是Dice、VOE和RVD,其中Dice是指LiTS數(shù)據(jù)集中使用的平均Dice。圖7展示了本文方法在3DIRCADb數(shù)據(jù)集上的分割效果。從圖7中可以看出,當原始輸入圖像中腫瘤的體積較小或者與肝臟的對比度較低時,Unet出現(xiàn)腫瘤漏檢的情況。對于體積較大的腫瘤,Unet分割出的腫瘤體積小于真實標注。肝臟分割的結(jié)果顯示,Unet出現(xiàn)了小體積空洞。此外,Unet在目標邊界的分割效果不佳。相比于Unet,本文提出的基于條件能量對抗網(wǎng)絡(luò)的分割方法可以完整分割出輸入圖像中所包含的腫瘤,并且分割邊界接近真實標注。為進一步展現(xiàn)本文方法的分割性能,表2中列出了其他方法在3DIRCADb上取得的分割指標。

    圖7 3DIRCADb數(shù)據(jù)集上的分割結(jié)果

    4 結(jié)束語

    肝臟和肝腫瘤分割在肝癌臨床診斷中具有重要意義。為解決肝臟和肝腫瘤分割問題,本文提出了條件能量對抗網(wǎng)絡(luò)結(jié)構(gòu),將Unet嵌入到EBGAN的架構(gòu)中作為模型的生成器,用于學習像素特征得到每個像素的類別信息;基于能量理論構(gòu)建判別器并將原始圖像作為條件約束輸入到判別器中,通過學習像素類別之間的高階一致性,提升小體積目標和目標邊界的分割精度,并通過實驗驗證了本文提出方法的有效性。

    表2 本文方法與其他方法在3DIRCADb數(shù)據(jù)集上的對比%

    猜你喜歡
    類別損失像素
    趙運哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    像素前線之“幻影”2000
    少問一句,損失千金
    胖胖損失了多少元
    “像素”仙人掌
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    一般自由碰撞的最大動能損失
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    国产成人精品久久二区二区免费| 亚洲av美国av| 69av精品久久久久久| 精品国产一区二区久久| 色综合婷婷激情| 天堂俺去俺来也www色官网| 国产精品综合久久久久久久免费 | 国产欧美日韩一区二区三区在线| 国产精品98久久久久久宅男小说| 一级毛片高清免费大全| 久久精品亚洲精品国产色婷小说| 免费在线观看视频国产中文字幕亚洲| 岛国在线观看网站| 久久香蕉精品热| 成人av一区二区三区在线看| 最好的美女福利视频网| 一区二区日韩欧美中文字幕| 国产成年人精品一区二区 | 在线观看免费高清a一片| 老司机亚洲免费影院| 在线观看www视频免费| 国产不卡一卡二| 欧美日韩亚洲综合一区二区三区_| 人人妻人人澡人人看| 黄色a级毛片大全视频| 亚洲午夜精品一区,二区,三区| 香蕉久久夜色| 满18在线观看网站| 欧美激情极品国产一区二区三区| av有码第一页| 日日干狠狠操夜夜爽| 超色免费av| 日本wwww免费看| 男女高潮啪啪啪动态图| 丁香六月欧美| 日韩精品中文字幕看吧| 不卡一级毛片| 久久国产乱子伦精品免费另类| a级片在线免费高清观看视频| 亚洲精品国产精品久久久不卡| 久久久久久大精品| 亚洲av美国av| 99热只有精品国产| 欧美午夜高清在线| 美女高潮到喷水免费观看| 香蕉丝袜av| 亚洲五月天丁香| 视频在线观看一区二区三区| 最近最新免费中文字幕在线| bbb黄色大片| 欧美中文综合在线视频| 久久国产亚洲av麻豆专区| 水蜜桃什么品种好| 午夜免费成人在线视频| 两个人免费观看高清视频| 亚洲人成77777在线视频| 18禁裸乳无遮挡免费网站照片 | 一边摸一边抽搐一进一出视频| 国产一区在线观看成人免费| 美女大奶头视频| 黄片小视频在线播放| 国产亚洲精品久久久久5区| 国产精品 国内视频| 精品熟女少妇八av免费久了| 91麻豆av在线| 黄色丝袜av网址大全| 免费不卡黄色视频| 久9热在线精品视频| 女人高潮潮喷娇喘18禁视频| 侵犯人妻中文字幕一二三四区| 午夜两性在线视频| 波多野结衣高清无吗| 一区二区日韩欧美中文字幕| 久久香蕉国产精品| 免费搜索国产男女视频| 国产精品秋霞免费鲁丝片| 国产片内射在线| 国产国语露脸激情在线看| 一个人观看的视频www高清免费观看 | 一级毛片女人18水好多| 熟女少妇亚洲综合色aaa.| 熟女少妇亚洲综合色aaa.| 免费在线观看日本一区| 看免费av毛片| 免费在线观看视频国产中文字幕亚洲| 黄网站色视频无遮挡免费观看| 国产精品影院久久| 欧美av亚洲av综合av国产av| 久久香蕉精品热| 精品一区二区三区视频在线观看免费 | 亚洲欧美激情在线| 亚洲成人精品中文字幕电影 | 国产极品粉嫩免费观看在线| 亚洲国产中文字幕在线视频| 丝袜美足系列| 夜夜看夜夜爽夜夜摸 | 欧美在线一区亚洲| 国产精品美女特级片免费视频播放器 | 在线看a的网站| 国产精品偷伦视频观看了| 国产在线精品亚洲第一网站| 日韩欧美国产一区二区入口| 啪啪无遮挡十八禁网站| 一级毛片女人18水好多| 亚洲成人免费av在线播放| а√天堂www在线а√下载| 成人三级做爰电影| 亚洲欧美精品综合一区二区三区| 长腿黑丝高跟| 久久久国产成人精品二区 | 国产精品偷伦视频观看了| 久久青草综合色| 成人国产一区最新在线观看| 国产成人精品无人区| 免费av中文字幕在线| 女同久久另类99精品国产91| 黄色视频不卡| 自拍欧美九色日韩亚洲蝌蚪91| 欧美日韩精品网址| 99在线人妻在线中文字幕| 日本wwww免费看| 超碰成人久久| 宅男免费午夜| tocl精华| 不卡av一区二区三区| 日韩欧美一区视频在线观看| 日韩有码中文字幕| 又黄又粗又硬又大视频| 黄网站色视频无遮挡免费观看| 久久久久亚洲av毛片大全| 纯流量卡能插随身wifi吗| av中文乱码字幕在线| 欧美黄色片欧美黄色片| 露出奶头的视频| 天堂中文最新版在线下载| 狠狠狠狠99中文字幕| 亚洲黑人精品在线| 欧美成人性av电影在线观看| 一边摸一边抽搐一进一小说| 亚洲成国产人片在线观看| 亚洲 欧美一区二区三区| 久久国产精品影院| 新久久久久国产一级毛片| 亚洲男人天堂网一区| 大型av网站在线播放| 国产精品秋霞免费鲁丝片| 黄色怎么调成土黄色| 手机成人av网站| 最好的美女福利视频网| 女性生殖器流出的白浆| 热99re8久久精品国产| 欧美乱色亚洲激情| 人人妻人人爽人人添夜夜欢视频| 在线av久久热| 激情视频va一区二区三区| av有码第一页| 色综合欧美亚洲国产小说| 侵犯人妻中文字幕一二三四区| 99在线人妻在线中文字幕| 国产精品亚洲av一区麻豆| 欧美精品亚洲一区二区| 亚洲av日韩精品久久久久久密| 中文字幕色久视频| 国产精品综合久久久久久久免费 | 免费看十八禁软件| 咕卡用的链子| 亚洲av美国av| 一级片'在线观看视频| 亚洲全国av大片| 久久久国产欧美日韩av| 久久青草综合色| 亚洲av片天天在线观看| 中出人妻视频一区二区| 亚洲一区二区三区色噜噜 | 亚洲国产精品999在线| 国产精品爽爽va在线观看网站 | 久久精品91蜜桃| 两个人免费观看高清视频| 国产成人精品久久二区二区91| 老司机午夜福利在线观看视频| 亚洲国产欧美网| 丝袜在线中文字幕| 18禁国产床啪视频网站| www.www免费av| 久久伊人香网站| 少妇粗大呻吟视频| 日韩人妻精品一区2区三区| 亚洲色图综合在线观看| 久久精品国产亚洲av香蕉五月| 中文字幕人妻熟女乱码| 变态另类成人亚洲欧美熟女 | 人人妻人人澡人人看| 老司机在亚洲福利影院| 一个人免费在线观看的高清视频| 两个人看的免费小视频| 欧美在线黄色| 69精品国产乱码久久久| 热99国产精品久久久久久7| 人人妻人人爽人人添夜夜欢视频| 美女扒开内裤让男人捅视频| 午夜免费成人在线视频| 午夜精品久久久久久毛片777| 高清欧美精品videossex| 国产91精品成人一区二区三区| 人人妻人人澡人人看| 国产精品98久久久久久宅男小说| 日韩欧美免费精品| 黄色毛片三级朝国网站| 日韩欧美一区二区三区在线观看| 欧美中文日本在线观看视频| 自线自在国产av| 一个人观看的视频www高清免费观看 | 亚洲熟妇中文字幕五十中出 | 久久九九热精品免费| 国产精品野战在线观看 | 性少妇av在线| 久久精品亚洲熟妇少妇任你| 久久狼人影院| 久久天躁狠狠躁夜夜2o2o| 精品一区二区三区av网在线观看| 999久久久国产精品视频| 大陆偷拍与自拍| 国产精品秋霞免费鲁丝片| 咕卡用的链子| avwww免费| 嫁个100分男人电影在线观看| 亚洲精品久久午夜乱码| 亚洲三区欧美一区| 国产一区二区在线av高清观看| av片东京热男人的天堂| 欧美最黄视频在线播放免费 | 日韩三级视频一区二区三区| 69精品国产乱码久久久| 啦啦啦在线免费观看视频4| 午夜精品国产一区二区电影| 亚洲中文av在线| 性色av乱码一区二区三区2| 一进一出抽搐动态| 黑人猛操日本美女一级片| 亚洲午夜理论影院| 久久国产乱子伦精品免费另类| 亚洲欧美一区二区三区黑人| 免费久久久久久久精品成人欧美视频| 欧美日韩av久久| 亚洲中文av在线| 亚洲欧洲精品一区二区精品久久久| 午夜影院日韩av| 久久性视频一级片| 精品福利观看| 日本a在线网址| 精品国内亚洲2022精品成人| 在线免费观看的www视频| e午夜精品久久久久久久| 999精品在线视频| av网站免费在线观看视频| 国产亚洲精品综合一区在线观看 | 黑人操中国人逼视频| 人人妻人人爽人人添夜夜欢视频| 正在播放国产对白刺激| 久久亚洲精品不卡| www国产在线视频色| 老熟妇仑乱视频hdxx| 1024视频免费在线观看| 757午夜福利合集在线观看| 视频区欧美日本亚洲| av天堂久久9| 成人三级黄色视频| e午夜精品久久久久久久| 麻豆久久精品国产亚洲av | 亚洲专区中文字幕在线| 欧美色视频一区免费| 国产精品99久久99久久久不卡| 大陆偷拍与自拍| 久久青草综合色| 国产欧美日韩一区二区三| 精品久久蜜臀av无| 在线视频色国产色| e午夜精品久久久久久久| 亚洲成人久久性| 一级片免费观看大全| 成人永久免费在线观看视频| 久久久国产精品麻豆| 国产日韩一区二区三区精品不卡| 另类亚洲欧美激情| 99久久综合精品五月天人人| 黑人巨大精品欧美一区二区蜜桃| 免费在线观看黄色视频的| 亚洲精品成人av观看孕妇| 狠狠狠狠99中文字幕| 精品卡一卡二卡四卡免费| 亚洲成av片中文字幕在线观看| 美女扒开内裤让男人捅视频| 丁香欧美五月| 中文字幕色久视频| 亚洲国产精品999在线| 国产麻豆69| 女人被躁到高潮嗷嗷叫费观| 国产精华一区二区三区| 日韩中文字幕欧美一区二区| 18禁裸乳无遮挡免费网站照片 | 免费av中文字幕在线| 日本欧美视频一区| 久久久国产成人精品二区 | 热re99久久精品国产66热6| 亚洲av成人av| 久久久久亚洲av毛片大全| 精品国产超薄肉色丝袜足j| 国产精品二区激情视频| 国产精品av久久久久免费| 精品人妻在线不人妻| 性色av乱码一区二区三区2| 亚洲欧美精品综合久久99| 色老头精品视频在线观看| 久久精品国产亚洲av香蕉五月| 欧美乱妇无乱码| 亚洲午夜理论影院| 丁香欧美五月| 国产成人影院久久av| 一级毛片女人18水好多| 午夜免费成人在线视频| av网站免费在线观看视频| 精品第一国产精品| 18禁观看日本| 亚洲七黄色美女视频| 精品第一国产精品| 韩国精品一区二区三区| 18禁美女被吸乳视频| av天堂久久9| 国产精品综合久久久久久久免费 | 久久天躁狠狠躁夜夜2o2o| 色老头精品视频在线观看| 午夜亚洲福利在线播放| 老司机亚洲免费影院| 国内毛片毛片毛片毛片毛片| 亚洲欧美一区二区三区久久| 亚洲九九香蕉| 欧美人与性动交α欧美软件| 久久精品国产亚洲av高清一级| 亚洲欧美一区二区三区久久| 亚洲九九香蕉| 欧美性长视频在线观看| 高清黄色对白视频在线免费看| 超碰成人久久| 欧美在线一区亚洲| 在线观看66精品国产| av超薄肉色丝袜交足视频| 成年版毛片免费区| 中国美女看黄片| 黄色成人免费大全| 免费看十八禁软件| 激情视频va一区二区三区| 99riav亚洲国产免费| 九色亚洲精品在线播放| 18美女黄网站色大片免费观看| 久久久久国产精品人妻aⅴ院| 天堂中文最新版在线下载| 欧美乱色亚洲激情| 高清黄色对白视频在线免费看| 欧美性长视频在线观看| 国产精品久久久久久人妻精品电影| 女性被躁到高潮视频| 大型av网站在线播放| 欧美日韩瑟瑟在线播放| 国产精品久久久久久人妻精品电影| www日本在线高清视频| 一夜夜www| 超碰成人久久| 久久久久久久久久久久大奶| 黑人巨大精品欧美一区二区mp4| 中亚洲国语对白在线视频| 欧美精品亚洲一区二区| 久久久久九九精品影院| 精品少妇一区二区三区视频日本电影| 久久性视频一级片| 老熟妇仑乱视频hdxx| 日韩有码中文字幕| 国产成人欧美| 日韩人妻精品一区2区三区| 多毛熟女@视频| 麻豆国产av国片精品| xxx96com| 99国产精品99久久久久| 国产又爽黄色视频| 99在线视频只有这里精品首页| 久久青草综合色| 一a级毛片在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美日韩瑟瑟在线播放| 99在线人妻在线中文字幕| 精品午夜福利视频在线观看一区| 色哟哟哟哟哟哟| 日韩av在线大香蕉| 黄色毛片三级朝国网站| 欧美黑人精品巨大| 99精品久久久久人妻精品| 美女国产高潮福利片在线看| 亚洲精品美女久久av网站| 熟女少妇亚洲综合色aaa.| 欧美+亚洲+日韩+国产| 又大又爽又粗| 国产伦一二天堂av在线观看| 欧美日本中文国产一区发布| 免费在线观看亚洲国产| 国产精华一区二区三区| 国产1区2区3区精品| 午夜福利欧美成人| 久9热在线精品视频| 777久久人妻少妇嫩草av网站| 精品国产乱码久久久久久男人| 窝窝影院91人妻| 亚洲,欧美精品.| 欧洲精品卡2卡3卡4卡5卡区| 人人妻,人人澡人人爽秒播| 午夜精品在线福利| 757午夜福利合集在线观看| 精品乱码久久久久久99久播| 一区在线观看完整版| 久久精品亚洲熟妇少妇任你| 亚洲av美国av| 欧美中文综合在线视频| 一级a爱视频在线免费观看| 深夜精品福利| 国产成人欧美在线观看| 亚洲中文字幕日韩| 亚洲欧美一区二区三区黑人| 怎么达到女性高潮| 在线观看免费视频网站a站| 99精品久久久久人妻精品| 国产精品亚洲一级av第二区| 中文字幕另类日韩欧美亚洲嫩草| 亚洲 欧美一区二区三区| 欧美黑人精品巨大| 亚洲人成伊人成综合网2020| 日韩中文字幕欧美一区二区| 日日干狠狠操夜夜爽| 亚洲av成人一区二区三| 人人妻人人爽人人添夜夜欢视频| 一级毛片精品| 久久人妻熟女aⅴ| 曰老女人黄片| tocl精华| 亚洲精品一区av在线观看| 老司机午夜福利在线观看视频| 欧美黑人精品巨大| 免费观看精品视频网站| 天天添夜夜摸| 777久久人妻少妇嫩草av网站| 亚洲五月婷婷丁香| 乱人伦中国视频| 老司机午夜福利在线观看视频| 在线观看66精品国产| www.www免费av| 少妇粗大呻吟视频| 少妇的丰满在线观看| 亚洲第一av免费看| 丰满迷人的少妇在线观看| 女生性感内裤真人,穿戴方法视频| 亚洲av片天天在线观看| 亚洲黑人精品在线| 身体一侧抽搐| 女人被狂操c到高潮| 一区二区日韩欧美中文字幕| 男女下面插进去视频免费观看| 美女国产高潮福利片在线看| 久久午夜亚洲精品久久| av中文乱码字幕在线| 精品久久久久久成人av| 十八禁网站免费在线| 91在线观看av| 久久天躁狠狠躁夜夜2o2o| 老司机靠b影院| 国产区一区二久久| 国产av一区二区精品久久| 精品国产乱子伦一区二区三区| 午夜福利免费观看在线| 成年版毛片免费区| tocl精华| 欧美av亚洲av综合av国产av| 成人18禁高潮啪啪吃奶动态图| 女性生殖器流出的白浆| 曰老女人黄片| 别揉我奶头~嗯~啊~动态视频| 亚洲美女黄片视频| 中文字幕最新亚洲高清| 久久久久久久午夜电影 | 99精国产麻豆久久婷婷| 在线观看66精品国产| 国产黄色免费在线视频| 国产深夜福利视频在线观看| 日韩欧美在线二视频| 欧美黑人欧美精品刺激| 国产伦一二天堂av在线观看| 日韩高清综合在线| 亚洲成人久久性| 狂野欧美激情性xxxx| 亚洲第一青青草原| 精品久久久精品久久久| 高清毛片免费观看视频网站 | 91国产中文字幕| 99国产极品粉嫩在线观看| 欧洲精品卡2卡3卡4卡5卡区| 女生性感内裤真人,穿戴方法视频| 亚洲va日本ⅴa欧美va伊人久久| 99riav亚洲国产免费| 99久久人妻综合| 多毛熟女@视频| 国产精品九九99| 日韩精品中文字幕看吧| 久久香蕉激情| 日韩 欧美 亚洲 中文字幕| 50天的宝宝边吃奶边哭怎么回事| 欧美日韩乱码在线| 999久久久精品免费观看国产| 女人精品久久久久毛片| 欧美激情 高清一区二区三区| 黑人操中国人逼视频| 1024视频免费在线观看| 亚洲伊人色综图| 男女高潮啪啪啪动态图| 亚洲狠狠婷婷综合久久图片| 亚洲精品成人av观看孕妇| 很黄的视频免费| 在线永久观看黄色视频| 精品卡一卡二卡四卡免费| 国产精品久久视频播放| 国产精品影院久久| 天堂影院成人在线观看| 国产精品av久久久久免费| 亚洲人成网站在线播放欧美日韩| 亚洲成a人片在线一区二区| 午夜免费观看网址| 搡老熟女国产l中国老女人| 国产成人影院久久av| 婷婷精品国产亚洲av在线| 级片在线观看| 久久人妻福利社区极品人妻图片| 亚洲 欧美 日韩 在线 免费| 久久久久久亚洲精品国产蜜桃av| 亚洲成人国产一区在线观看| 国产成+人综合+亚洲专区| 久久性视频一级片| 丁香欧美五月| 可以在线观看毛片的网站| 交换朋友夫妻互换小说| 亚洲 国产 在线| 男女高潮啪啪啪动态图| 99精国产麻豆久久婷婷| 久久精品91蜜桃| 亚洲第一欧美日韩一区二区三区| 日本黄色日本黄色录像| 成年版毛片免费区| 精品一区二区三区四区五区乱码| 18禁国产床啪视频网站| 免费在线观看视频国产中文字幕亚洲| 欧美色视频一区免费| av在线播放免费不卡| 国产1区2区3区精品| 一级,二级,三级黄色视频| 亚洲精品在线观看二区| 丰满迷人的少妇在线观看| 性色av乱码一区二区三区2| 丝袜在线中文字幕| 亚洲国产中文字幕在线视频| 国产精品爽爽va在线观看网站 | 亚洲在线自拍视频| 亚洲av熟女| 大型黄色视频在线免费观看| 成人18禁在线播放| 叶爱在线成人免费视频播放| 热re99久久精品国产66热6| 婷婷丁香在线五月| 欧美日韩中文字幕国产精品一区二区三区 | 国产精品电影一区二区三区| 老鸭窝网址在线观看| 日韩欧美国产一区二区入口| 久久人妻av系列| 18禁美女被吸乳视频| 三上悠亚av全集在线观看| www.熟女人妻精品国产| 香蕉丝袜av| 每晚都被弄得嗷嗷叫到高潮| 国产精品 欧美亚洲| 免费高清在线观看日韩| 999久久久精品免费观看国产| 成熟少妇高潮喷水视频| 90打野战视频偷拍视频| 亚洲精品在线美女| 美女扒开内裤让男人捅视频| 露出奶头的视频| 在线观看www视频免费| 校园春色视频在线观看| 国产成人精品在线电影| 精品国产超薄肉色丝袜足j| 欧美日韩亚洲国产一区二区在线观看| 久久久久久大精品| 动漫黄色视频在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品人人爽人人爽视色| 夜夜看夜夜爽夜夜摸 | 新久久久久国产一级毛片| 精品国产乱子伦一区二区三区| 久久亚洲真实| 国产三级在线视频| 国产激情欧美一区二区| www.www免费av| 久久国产精品男人的天堂亚洲| 亚洲中文日韩欧美视频| 两性夫妻黄色片| 日韩欧美一区视频在线观看| 亚洲一区二区三区不卡视频| 在线观看日韩欧美| 国产精品免费一区二区三区在线| 又黄又爽又免费观看的视频| 极品人妻少妇av视频| 久久精品影院6|