• <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
    在线视频色国产色| or卡值多少钱| 波多野结衣巨乳人妻| 99riav亚洲国产免费| 丁香欧美五月| 国产亚洲av高清不卡| 一级毛片高清免费大全| 狂野欧美激情性xxxx| 啪啪无遮挡十八禁网站| 波多野结衣av一区二区av| 在线国产一区二区在线| 色av中文字幕| 国产真实乱freesex| 亚洲第一av免费看| 又黄又粗又硬又大视频| 国产成人一区二区三区免费视频网站| 欧美人与性动交α欧美精品济南到| 国产成人系列免费观看| 精品电影一区二区在线| 亚洲专区国产一区二区| 成人精品一区二区免费| 国产成人av教育| 成人手机av| 亚洲第一青青草原| 日韩免费av在线播放| 亚洲国产精品合色在线| 白带黄色成豆腐渣| 在线观看www视频免费| 亚洲一区中文字幕在线| 国产免费男女视频| 国产精品免费视频内射| 黄色毛片三级朝国网站| 亚洲av中文字字幕乱码综合 | 亚洲欧洲精品一区二区精品久久久| 老司机午夜十八禁免费视频| 亚洲人成电影免费在线| 国产精品av久久久久免费| 日韩精品青青久久久久久| netflix在线观看网站| 91老司机精品| 无人区码免费观看不卡| 亚洲黑人精品在线| 制服丝袜大香蕉在线| 久久狼人影院| 久久香蕉精品热| 91老司机精品| 亚洲成国产人片在线观看| 日本精品一区二区三区蜜桃| 久久久久久人人人人人| 一级a爱视频在线免费观看| √禁漫天堂资源中文www| 国产爱豆传媒在线观看 | 满18在线观看网站| 香蕉av资源在线| 午夜免费成人在线视频| 亚洲一区中文字幕在线| 欧美另类亚洲清纯唯美| 制服诱惑二区| 国产av不卡久久| 亚洲人成网站在线播放欧美日韩| 18禁美女被吸乳视频| 波多野结衣av一区二区av| 久久精品aⅴ一区二区三区四区| 又黄又爽又免费观看的视频| 特大巨黑吊av在线直播 | 日本一区二区免费在线视频| 欧美日韩亚洲综合一区二区三区_| 国产在线观看jvid| 曰老女人黄片| 亚洲av片天天在线观看| 欧美丝袜亚洲另类 | 亚洲成人国产一区在线观看| 亚洲真实伦在线观看| 成人精品一区二区免费| 久久草成人影院| 精品久久久久久成人av| 欧美性猛交╳xxx乱大交人| 最好的美女福利视频网| 一进一出抽搐gif免费好疼| 777久久人妻少妇嫩草av网站| 国产伦一二天堂av在线观看| 国产真实乱freesex| 丝袜人妻中文字幕| 露出奶头的视频| 好男人电影高清在线观看| 久久精品国产综合久久久| 国产亚洲欧美精品永久| 免费搜索国产男女视频| 久久人妻福利社区极品人妻图片| 丝袜在线中文字幕| 看黄色毛片网站| 91老司机精品| 亚洲第一电影网av| 国产精品美女特级片免费视频播放器 | 欧美黑人欧美精品刺激| 亚洲专区中文字幕在线| 久久香蕉精品热| 国产亚洲精品一区二区www| 中出人妻视频一区二区| 久久久久久亚洲精品国产蜜桃av| 无人区码免费观看不卡| 国产麻豆成人av免费视频| 中文字幕另类日韩欧美亚洲嫩草| 2021天堂中文幕一二区在线观 | 国产精品九九99| 亚洲成人精品中文字幕电影| 一级a爱片免费观看的视频| 一级a爱片免费观看的视频| 人人妻人人澡欧美一区二区| 亚洲电影在线观看av| 日日爽夜夜爽网站| 亚洲在线自拍视频| 午夜成年电影在线免费观看| 欧美另类亚洲清纯唯美| 亚洲在线自拍视频| 国产精品一区二区免费欧美| 一进一出抽搐动态| 嫁个100分男人电影在线观看| 欧美日韩亚洲综合一区二区三区_| 久久中文字幕人妻熟女| 91成年电影在线观看| 露出奶头的视频| 免费观看人在逋| 亚洲久久久国产精品| 久久天堂一区二区三区四区| 国产精品久久久av美女十八| 精品久久久久久,| 亚洲精品一区av在线观看| 日本黄色视频三级网站网址| www日本在线高清视频| 免费无遮挡裸体视频| 国产精品99久久99久久久不卡| 757午夜福利合集在线观看| 757午夜福利合集在线观看| 少妇熟女aⅴ在线视频| 亚洲av片天天在线观看| 欧美日本视频| 亚洲国产日韩欧美精品在线观看 | 国产激情偷乱视频一区二区| 日日爽夜夜爽网站| 亚洲av片天天在线观看| 成人永久免费在线观看视频| www日本在线高清视频| 国语自产精品视频在线第100页| 欧美性长视频在线观看| 欧美绝顶高潮抽搐喷水| 少妇粗大呻吟视频| 一进一出好大好爽视频| 成在线人永久免费视频| av超薄肉色丝袜交足视频| 亚洲av电影在线进入| 18禁美女被吸乳视频| 制服丝袜大香蕉在线| 免费高清在线观看日韩| 少妇裸体淫交视频免费看高清 | 久久久国产精品麻豆| 国产精品爽爽va在线观看网站 | 一区二区三区精品91| 国产精华一区二区三区| 亚洲国产精品成人综合色| 丰满的人妻完整版| 亚洲男人天堂网一区| 午夜福利欧美成人| 中文字幕久久专区| 免费一级毛片在线播放高清视频| 亚洲自偷自拍图片 自拍| 久久久久久免费高清国产稀缺| 国产主播在线观看一区二区| 久久中文字幕一级| 麻豆av在线久日| 99久久精品国产亚洲精品| 免费在线观看日本一区| 亚洲av五月六月丁香网| 99久久久亚洲精品蜜臀av| www日本黄色视频网| 精品国产乱码久久久久久男人| 好男人在线观看高清免费视频 | 精品国内亚洲2022精品成人| 国产激情欧美一区二区| 亚洲av成人一区二区三| 一本大道久久a久久精品| 不卡av一区二区三区| 日本成人三级电影网站| 成人国产一区最新在线观看| 国产乱人伦免费视频| 亚洲国产高清在线一区二区三 | 99精品欧美一区二区三区四区| 亚洲狠狠婷婷综合久久图片| 日本一区二区免费在线视频| 国产亚洲欧美98| 狂野欧美激情性xxxx| 级片在线观看| 啦啦啦观看免费观看视频高清| 久久国产亚洲av麻豆专区| 国产精品亚洲美女久久久| 欧美日韩精品网址| 欧美成人午夜精品| 精品电影一区二区在线| 久久人人精品亚洲av| 久久亚洲精品不卡| 两个人视频免费观看高清| 免费在线观看黄色视频的| 午夜激情福利司机影院| 国产成人av激情在线播放| 精品少妇一区二区三区视频日本电影| 亚洲欧美精品综合一区二区三区| 草草在线视频免费看| 日韩欧美一区视频在线观看| 欧美午夜高清在线| 免费电影在线观看免费观看| 日本精品一区二区三区蜜桃| 亚洲av电影在线进入| 国产精品自产拍在线观看55亚洲| 欧美在线一区亚洲| 69av精品久久久久久| 久久精品91无色码中文字幕| 国产av又大| 久久青草综合色| 麻豆成人av在线观看| 美女大奶头视频| 满18在线观看网站| 在线观看日韩欧美| 亚洲一区高清亚洲精品| 在线播放国产精品三级| 免费观看精品视频网站| 黄网站色视频无遮挡免费观看| 久久天堂一区二区三区四区| 一本久久中文字幕| 十分钟在线观看高清视频www| 色综合欧美亚洲国产小说| xxx96com| 欧美日本视频| www.自偷自拍.com| 男人舔女人下体高潮全视频| 日韩 欧美 亚洲 中文字幕| 久久精品国产清高在天天线| 国产一区二区激情短视频| 制服丝袜大香蕉在线| 久久天躁狠狠躁夜夜2o2o| 精品无人区乱码1区二区| 国产区一区二久久| 国产成+人综合+亚洲专区| 亚洲 欧美 日韩 在线 免费| 伊人久久大香线蕉亚洲五| 国内揄拍国产精品人妻在线 | 免费高清在线观看日韩| а√天堂www在线а√下载| 夜夜爽天天搞| 国产真实乱freesex| 校园春色视频在线观看| 亚洲人成网站高清观看| 韩国av一区二区三区四区| 精品少妇一区二区三区视频日本电影| 男人舔女人的私密视频| 草草在线视频免费看| 免费高清视频大片| 午夜福利免费观看在线| 久久精品91无色码中文字幕| 操出白浆在线播放| 最近最新中文字幕大全电影3 | 国产99白浆流出| 在线视频色国产色| 国产欧美日韩精品亚洲av| 亚洲黑人精品在线| 亚洲精品国产一区二区精华液| 精品国内亚洲2022精品成人| 欧美不卡视频在线免费观看 | 久热爱精品视频在线9| 国产精品久久久久久亚洲av鲁大| 国产主播在线观看一区二区| 黑丝袜美女国产一区| 国产视频内射| 免费在线观看日本一区| 欧美日韩精品网址| 人人妻,人人澡人人爽秒播| 久久久久久久久久黄片| av超薄肉色丝袜交足视频| av片东京热男人的天堂| 丁香六月欧美| 久久久久久免费高清国产稀缺| 久久精品aⅴ一区二区三区四区| a级毛片在线看网站| 欧美一级毛片孕妇| 亚洲av中文字字幕乱码综合 | 制服丝袜大香蕉在线| 女人被狂操c到高潮| 欧美日本视频| 欧美+亚洲+日韩+国产| www.999成人在线观看| 一级片免费观看大全| 婷婷丁香在线五月| 国产成+人综合+亚洲专区| 欧美+亚洲+日韩+国产| 日本精品一区二区三区蜜桃| 亚洲五月天丁香| 国产亚洲欧美精品永久| 中文字幕精品免费在线观看视频| 日韩精品青青久久久久久| 国产av不卡久久| 国产色视频综合| 欧美大码av| 国产一级毛片七仙女欲春2 | 成年女人毛片免费观看观看9| 久久精品国产综合久久久| 亚洲全国av大片| 哪里可以看免费的av片| 中文字幕人妻熟女乱码| 久久午夜综合久久蜜桃| 中文资源天堂在线| www.自偷自拍.com| 老汉色av国产亚洲站长工具| 久久九九热精品免费| 精品久久久久久久久久久久久 | 男女做爰动态图高潮gif福利片| 国产精品 欧美亚洲| 欧美久久黑人一区二区| 国产成人av教育| 色综合欧美亚洲国产小说| 两性午夜刺激爽爽歪歪视频在线观看 | 禁无遮挡网站| 午夜福利成人在线免费观看| 国产免费男女视频| 亚洲国产精品sss在线观看| 51午夜福利影视在线观看| 精品欧美一区二区三区在线| 精品不卡国产一区二区三区| 国产精品免费一区二区三区在线| 中文字幕人妻熟女乱码| 日韩精品中文字幕看吧| 亚洲男人天堂网一区| 老司机午夜十八禁免费视频| 手机成人av网站| 一进一出好大好爽视频| a在线观看视频网站| 伦理电影免费视频| 亚洲熟女毛片儿| 久久精品aⅴ一区二区三区四区| 51午夜福利影视在线观看| 少妇的丰满在线观看| 天天一区二区日本电影三级| 久久久久亚洲av毛片大全| 亚洲熟妇熟女久久| 久9热在线精品视频| 一级毛片精品| 嫩草影视91久久| 琪琪午夜伦伦电影理论片6080| 午夜激情福利司机影院| 91九色精品人成在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲精品中文字幕一二三四区| 特大巨黑吊av在线直播 | 午夜福利免费观看在线| 久久久精品国产亚洲av高清涩受| 亚洲av成人一区二区三| 欧美av亚洲av综合av国产av| 亚洲七黄色美女视频| 美女扒开内裤让男人捅视频| 亚洲国产欧美日韩在线播放| 女性生殖器流出的白浆| 日韩一卡2卡3卡4卡2021年| 国产伦在线观看视频一区| 自线自在国产av| 亚洲人成77777在线视频| 国产麻豆成人av免费视频| 免费一级毛片在线播放高清视频| 欧美又色又爽又黄视频| 欧美性猛交╳xxx乱大交人| 99久久综合精品五月天人人| 久久久久国产精品人妻aⅴ院| avwww免费| 亚洲精华国产精华精| 成人18禁在线播放| 成人特级黄色片久久久久久久| 哪里可以看免费的av片| 国产麻豆成人av免费视频| 国产亚洲精品综合一区在线观看 | 亚洲精品国产区一区二| 国产精品爽爽va在线观看网站 | 看黄色毛片网站| 久久欧美精品欧美久久欧美| 久久久久久大精品| 国产成人欧美在线观看| 亚洲专区国产一区二区| 亚洲男人天堂网一区| 最近在线观看免费完整版| 看片在线看免费视频| 99国产极品粉嫩在线观看| 精品免费久久久久久久清纯| 观看免费一级毛片| 97人妻精品一区二区三区麻豆 | 99精品久久久久人妻精品| 精品国产乱子伦一区二区三区| 身体一侧抽搐| 黄色视频,在线免费观看| 欧美另类亚洲清纯唯美| www.自偷自拍.com| 免费看美女性在线毛片视频| 老司机福利观看| 久久国产精品影院| АⅤ资源中文在线天堂| 欧美日韩一级在线毛片| 又黄又粗又硬又大视频| АⅤ资源中文在线天堂| 夜夜夜夜夜久久久久| 欧美日韩瑟瑟在线播放| 国产一卡二卡三卡精品| 给我免费播放毛片高清在线观看| 成人精品一区二区免费| 美女大奶头视频| 国产麻豆成人av免费视频| 免费搜索国产男女视频| 日韩av在线大香蕉| 国产亚洲欧美98| 国产一级毛片七仙女欲春2 | 亚洲在线自拍视频| 99国产极品粉嫩在线观看| 黄频高清免费视频| 伦理电影免费视频| 久久久久久九九精品二区国产 | 一夜夜www| 黑人欧美特级aaaaaa片| 波多野结衣高清无吗| 欧美在线一区亚洲| 我的亚洲天堂| 2021天堂中文幕一二区在线观 | 不卡一级毛片| 亚洲九九香蕉| 国产av一区在线观看免费| 国产爱豆传媒在线观看 | а√天堂www在线а√下载| 午夜免费鲁丝| 久久国产乱子伦精品免费另类| 丝袜人妻中文字幕| 男男h啪啪无遮挡| 日韩成人在线观看一区二区三区| 香蕉国产在线看| 亚洲专区字幕在线| 日韩 欧美 亚洲 中文字幕| 久久久久国产一级毛片高清牌| 国产视频一区二区在线看| 岛国视频午夜一区免费看| 在线看三级毛片| 亚洲熟女毛片儿| 国产一区二区三区在线臀色熟女| 正在播放国产对白刺激| 国产av在哪里看| 久久久久亚洲av毛片大全| 免费av毛片视频| 亚洲一区高清亚洲精品| 亚洲国产高清在线一区二区三 | 亚洲精品久久国产高清桃花| 99久久99久久久精品蜜桃| 黄片小视频在线播放| 亚洲成国产人片在线观看| 欧美日韩黄片免| 大型av网站在线播放| 国产激情偷乱视频一区二区| 搡老岳熟女国产| 一区二区三区精品91| 欧美日本视频| 宅男免费午夜| aaaaa片日本免费| 亚洲午夜精品一区,二区,三区| 国产精品二区激情视频| 久久精品国产99精品国产亚洲性色| 国产精品一区二区精品视频观看| 国产一区二区激情短视频| 中文在线观看免费www的网站 | 午夜免费成人在线视频| a在线观看视频网站| 欧美乱色亚洲激情| 亚洲精品粉嫩美女一区| 午夜成年电影在线免费观看| 国产精品98久久久久久宅男小说| 色综合站精品国产| 日本在线视频免费播放| 亚洲国产毛片av蜜桃av| 十八禁人妻一区二区| 又黄又粗又硬又大视频| 亚洲精品美女久久av网站| 校园春色视频在线观看| 男人舔女人的私密视频| 欧美乱妇无乱码| 国产精品一区二区精品视频观看| or卡值多少钱| 久久人妻av系列| 天天躁狠狠躁夜夜躁狠狠躁| 给我免费播放毛片高清在线观看| 精品福利观看| 人成视频在线观看免费观看| 成人欧美大片| 丁香欧美五月| 很黄的视频免费| 欧美日韩精品网址| 欧美激情极品国产一区二区三区| 欧美丝袜亚洲另类 | 亚洲精品中文字幕在线视频| 中国美女看黄片| 不卡av一区二区三区| 成人亚洲精品一区在线观看| 最近最新中文字幕大全电影3 | 制服丝袜大香蕉在线| 麻豆一二三区av精品| 91麻豆精品激情在线观看国产| 欧美日韩福利视频一区二区| 一级黄色大片毛片| 国产成人精品久久二区二区91| 美国免费a级毛片| 久久久水蜜桃国产精品网| 在线看三级毛片| 久久香蕉精品热| 又大又爽又粗| 少妇熟女aⅴ在线视频| 男女床上黄色一级片免费看| 一卡2卡三卡四卡精品乱码亚洲| 一进一出抽搐gif免费好疼| 母亲3免费完整高清在线观看| 香蕉久久夜色| 啦啦啦 在线观看视频| 性欧美人与动物交配| 午夜福利高清视频| 麻豆av在线久日| 少妇熟女aⅴ在线视频| 91成年电影在线观看| 久久热在线av| 男女做爰动态图高潮gif福利片| 成年免费大片在线观看| 日韩欧美 国产精品| 嫁个100分男人电影在线观看| 熟女电影av网| 成年人黄色毛片网站| 亚洲国产精品合色在线| 成在线人永久免费视频| 国产1区2区3区精品| 在线天堂中文资源库| 久久午夜综合久久蜜桃| 波多野结衣av一区二区av| 国产极品粉嫩免费观看在线| 动漫黄色视频在线观看| 嫁个100分男人电影在线观看| 一边摸一边做爽爽视频免费| 国产精品久久久久久人妻精品电影| 欧美乱码精品一区二区三区| 变态另类丝袜制服| 啦啦啦韩国在线观看视频| 老汉色av国产亚洲站长工具| xxx96com| 黄片小视频在线播放| 91大片在线观看| 少妇被粗大的猛进出69影院| 成人18禁在线播放| 黄片小视频在线播放| 成人欧美大片| 视频区欧美日本亚洲| 精品久久久久久久久久免费视频| 国产私拍福利视频在线观看| 久久久久精品国产欧美久久久| 精华霜和精华液先用哪个| 在线看三级毛片| 此物有八面人人有两片| 很黄的视频免费| 嫩草影视91久久| 很黄的视频免费| 亚洲真实伦在线观看| 亚洲成a人片在线一区二区| 好男人电影高清在线观看| 无人区码免费观看不卡| 欧美又色又爽又黄视频| 国产区一区二久久| 99re在线观看精品视频| 老司机福利观看| 日韩精品免费视频一区二区三区| 色av中文字幕| av欧美777| 成人18禁在线播放| 91麻豆精品激情在线观看国产| 日本一本二区三区精品| 啦啦啦 在线观看视频| 中文字幕av电影在线播放| 国产精品日韩av在线免费观看| 波多野结衣巨乳人妻| 国产精品自产拍在线观看55亚洲| 搞女人的毛片| 69av精品久久久久久| 久热爱精品视频在线9| 18禁裸乳无遮挡免费网站照片 | 亚洲美女黄片视频| 欧美丝袜亚洲另类 | 19禁男女啪啪无遮挡网站| 国产激情偷乱视频一区二区| 99国产综合亚洲精品| 少妇熟女aⅴ在线视频| 亚洲aⅴ乱码一区二区在线播放 | 亚洲av中文字字幕乱码综合 | 啦啦啦观看免费观看视频高清| 亚洲熟妇中文字幕五十中出| 人妻丰满熟妇av一区二区三区| 午夜免费观看网址| 两个人看的免费小视频| 亚洲熟妇熟女久久| 男男h啪啪无遮挡| 淫秽高清视频在线观看| 精品高清国产在线一区| 国产精品精品国产色婷婷| 成人永久免费在线观看视频| 国产伦人伦偷精品视频| 天天一区二区日本电影三级| 啪啪无遮挡十八禁网站| 一区二区三区激情视频| 中国美女看黄片| 久久国产精品影院| 丝袜人妻中文字幕| 亚洲 欧美 日韩 在线 免费| 欧美成狂野欧美在线观看| 老汉色∧v一级毛片|