• <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 ?

    基于長(zhǎng)距離依賴編碼與深度殘差U-Net的缺血性卒中病灶分割

    2021-07-02 08:55:12梨,盧
    計(jì)算機(jī)應(yīng)用 2021年6期
    關(guān)鍵詞:殘差像素卷積

    黃 梨,盧 龍

    (武漢大學(xué)信息管理學(xué)院,武漢 430072)

    (?通信作者電子郵箱bmiwhu@163.com)

    0 引言

    腦卒中具有發(fā)病率高、死亡率高和致殘率高的特點(diǎn),統(tǒng)計(jì)數(shù)據(jù)[1-2]顯示,目前腦卒中是導(dǎo)致我國(guó)居民死亡的主要原因之一。隨著人口老齡化的日益加劇,中國(guó)已成為卒中終生風(fēng)險(xiǎn)最高和疾病負(fù)擔(dān)最重的國(guó)家。腦卒中主要分為三大類:缺血性卒中、出血性卒中和蛛網(wǎng)膜下腔出血,其中急性缺血性腦卒中(Acute Ischemic Stroke,AIS)是其最常見(jiàn)的類型,約占87%[3]。缺血性腦卒中是指由于腦的供血?jiǎng)用}(頸動(dòng)脈和椎動(dòng)脈)狹窄或閉塞、腦供血不足導(dǎo)致的腦組織壞死的總稱。根據(jù)腦卒中發(fā)病后經(jīng)過(guò)的時(shí)間,可將病灶階段細(xì)分為急性(0~24 h)、亞急性(24 h~2 w)和慢性(超過(guò)2 w)[4],急性期的及時(shí)診斷和干預(yù)對(duì)腦卒中患者的康復(fù)和預(yù)后至關(guān)重要。在臨床實(shí)踐中,醫(yī)生通常使用電子計(jì)算機(jī)斷層掃描(Computed Tomography,CT)和核磁 共振成 像(Magnetic Resonance Imaging,MRI)來(lái)觀測(cè)腦卒中病灶。量化腦卒中病變有助于專家評(píng)估患者病情,制定治療方案,在臨床決策過(guò)程中具有重要價(jià)值。通常情況下,病灶的分割是由專業(yè)的放射科醫(yī)生手工完成的,人工地分割病灶區(qū)域費(fèi)時(shí)費(fèi)力且主觀性強(qiáng)。因此,一種能夠快速、準(zhǔn)確地自動(dòng)識(shí)別病變區(qū)域,輔助醫(yī)生診斷的分割算法是臨床實(shí)踐中極為需要的。

    在過(guò)去的十年中,深度學(xué)習(xí)方法尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在醫(yī)學(xué)影像分析中取得了巨大的成功。特別是由Ronneberger 等[5]提出的U-Net,已經(jīng)被國(guó)內(nèi)外學(xué)者廣泛地應(yīng)用于生物醫(yī)學(xué)圖像分割任務(wù)中[6-9]。U-Net由對(duì)稱的編碼器-解碼器結(jié)構(gòu)以及連接編碼器和解碼器的跳躍連接組成,編碼器用于在下采樣的過(guò)程中從原始圖像中提取高級(jí)特征,解碼器用于在上采樣的過(guò)程中對(duì)目標(biāo)進(jìn)行精確定位,跳躍連接則用于從通道方向上連接淺層特征和深層特征,實(shí)現(xiàn)多尺度特征融合。盡管U-Net 被廣泛應(yīng)用,它存在一定的局限性。U-Net 中卷積操作的感受野受限于卷積核的大小,它在計(jì)算某一位置的響應(yīng)時(shí),只考慮了感受野以內(nèi)的局部區(qū)域與這一位置的關(guān)系,本質(zhì)上只是對(duì)局部信息的處理。對(duì)于像素級(jí)的計(jì)算機(jī)視覺(jué)任務(wù)(如圖像分割),盡可能地?cái)U(kuò)大感受野,考慮像素點(diǎn)周?chē)蠓秶男畔ⅲ瓷舷挛男畔ⅲ兄趫?chǎng)景理解和處理目標(biāo)的多樣性。

    目前的分割算法相關(guān)研究為了擴(kuò)大感受野,編碼更大范圍的上下文信息,已經(jīng)作出了很大的努力。已有研究提出了基于擴(kuò)張卷積或空洞卷積的網(wǎng)絡(luò),以擴(kuò)大感受野并聚集多尺度上下文信息[10-12]。另外,許多模型都采用遞歸神經(jīng)網(wǎng)絡(luò)來(lái)捕獲復(fù)雜的空間情境信息[13-16]。盡管卷積運(yùn)算和循環(huán)運(yùn)算可以被反復(fù)應(yīng)用從而捕獲全局上下文信息,但是這兩種操作本質(zhì)上是局部操作,局部操作的堆疊不僅計(jì)算效率低下,而且可能導(dǎo)致算法優(yōu)化困難。Wang 等[17]提出的non-local 塊可以通過(guò)直接計(jì)算特征圖上任意兩個(gè)位置的關(guān)系來(lái)對(duì)全局上下文信息進(jìn)行編碼,而不受限于感受野的大小。區(qū)別于局部操作,non-local 操作構(gòu)建了一個(gè)與輸入特征圖大小一致的卷積核,通過(guò)考慮特征圖所有位置與當(dāng)前位置的關(guān)系來(lái)編碼全局信息,為后邊的層帶來(lái)更為豐富的語(yǔ)義。這一操作首先計(jì)算特征圖上當(dāng)前位置與所有位置的交互關(guān)系(即長(zhǎng)距離依賴),然后用加權(quán)和的方式匯總該位置的所有關(guān)系(即該位置的全局上下文)。non-local 塊在視頻分類和圖像降噪等各種計(jì)算機(jī)視覺(jué)任務(wù)中已經(jīng)顯示出了巨大的潛力,它編碼的全局上下文信息對(duì)語(yǔ)義分割任務(wù)具有重要價(jià)值,然而,其在醫(yī)學(xué)影像分割中的應(yīng)用尚未得到深入研究。因此,有必要探索non-local 塊在這一任務(wù)中的性能。

    缺血性卒中病灶分割挑戰(zhàn)賽(Ischemic Stroke Lesion Segmentation,ISLES)是由國(guó)際醫(yī)學(xué)圖像計(jì)算和計(jì)算機(jī)輔助干預(yù)協(xié)會(huì)(Medical Image Computing and Computer Assisted Intervention Society,MICCAI)舉辦的醫(yī)學(xué)圖像分割挑戰(zhàn),旨在提供一個(gè)平臺(tái),方便不同算法之間的效果對(duì)比。挑戰(zhàn)賽提供公開(kāi)可獲取的、預(yù)處理后的腦部掃描數(shù)據(jù),目前已經(jīng)成為醫(yī)學(xué)影像分割領(lǐng)域常用的基準(zhǔn)數(shù)據(jù)集[18]。ISLES 2017的任務(wù)目的是使用缺血性卒中急性期的多模態(tài)MRI 腦部掃描數(shù)據(jù),預(yù)測(cè)3~9 個(gè)月后隨訪掃描影像中的最終病變結(jié)果。這是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù):一方面是由于病灶的形狀、大小和位置各異,另一方面則是因?yàn)榧毙云诓≡钸€未穩(wěn)定,部分病灶邊界模糊,很難在這種情況下區(qū)分病灶區(qū)域與非病灶區(qū)域。此外,有標(biāo)注的醫(yī)學(xué)影像分割數(shù)據(jù)集,通常具有樣本量小和像素級(jí)別的正負(fù)樣本不均衡特性,這些特性也為該任務(wù)帶來(lái)了一定的困難。

    針對(duì)缺血性腦卒中病灶分割這一問(wèn)題,本文提出了融合殘差學(xué)習(xí)和長(zhǎng)距離依賴編碼的新型U-Net 分割算法。本文主要工作如下:1)為解決醫(yī)學(xué)圖像分割領(lǐng)域樣本量少、小目標(biāo)難以分割的問(wèn)題,使用有針對(duì)性的過(guò)采樣策略和圖像增強(qiáng)技術(shù)構(gòu)建訓(xùn)練數(shù)據(jù)集,促使模型對(duì)小目標(biāo)的學(xué)習(xí),從數(shù)據(jù)層面避免模型過(guò)擬合。2)以U-Net 的編碼器解碼器結(jié)構(gòu)為基礎(chǔ),通過(guò)使用殘差塊來(lái)避免網(wǎng)絡(luò)退化,增強(qiáng)模型的泛化性能,通過(guò)引入non-local 操作將感受野擴(kuò)大為特征圖大小,編碼全局上下文信息。所提出的端到端網(wǎng)絡(luò)結(jié)構(gòu)有較強(qiáng)的泛化性能,能充分利用上下文信息,適用于樣本量較小的應(yīng)用場(chǎng)景。3)研究中設(shè)計(jì)了一系列實(shí)驗(yàn)分析不同模塊的表現(xiàn)、模塊之間的相互影響,以及用不同方式加入模塊對(duì)算法整體性能的影響。在充分了解不同模塊的基礎(chǔ)上提出了新的分割算法及其變體,所提出的算法(代碼已在網(wǎng)站公開(kāi):https://github.com/KristenT9/RN-UNet)相較于其他算法有較好的分割性能。

    1 本文方法

    1.1 網(wǎng)絡(luò)架構(gòu)

    選擇U-Net 作為網(wǎng)絡(luò)的基本架構(gòu),它由對(duì)稱的收縮路徑(編碼器)和擴(kuò)張路徑(解碼器)組成,在收縮路徑上利用卷積操作來(lái)進(jìn)行特征提取,用池化操作進(jìn)行特征圖降維,過(guò)濾冗余信息。編碼器通過(guò)卷積和池化操作的交替與堆疊來(lái)逐步提取高級(jí)特征,越接近輸入層,提取的特征越初級(jí)越通用,空間分辨率越高;越接近輸出層,提取的特征越高級(jí)越抽象,更加任務(wù)相關(guān),空間分辨率越低。因此在收縮路徑的不同階段,中間層特征圖包含的語(yǔ)義信息、空間分辨率有所不同,在不同階段插入non-local塊編碼的全局上下文信息也有所不同。

    RN-UNet(Residual Non-local U-Net)在U-Net 的收縮路徑上交替使用殘差塊和non-local塊(詳細(xì)結(jié)構(gòu)見(jiàn)1.2和1.3節(jié)),總體架構(gòu)如圖1 所示。圖1 中展示的是在收縮路徑的每個(gè)階段(殘差塊后,池化層前)都插入non-local塊的網(wǎng)絡(luò)架構(gòu),在后續(xù)實(shí)驗(yàn)中,為了探索non-local 塊插入的階段對(duì)總體性能的影響,對(duì)模塊的插入階段進(jìn)行了調(diào)整。研究中模型的輸入均為1×128×128×6(Fnum×H×W×M)的圖像塊,第一維是特征圖的數(shù)量(圖1 中不同模塊上的數(shù)字),后兩維分別是圖像的高和寬,最后一維為MRI模態(tài)數(shù)。輸出時(shí)使用Sigmoid激活函數(shù)計(jì)算每個(gè)像素點(diǎn)為病灶像素的概率,得到1×128×128×1的預(yù)測(cè)結(jié)果圖。

    圖1 包含5個(gè)non-local塊的RN-UNet總體框架Fig.1 Overall framework of RN-UNet with five non-local blocks

    在RN-UNet 中,殘差學(xué)習(xí)機(jī)制(圖2(a))被用于解決深度神經(jīng)網(wǎng)絡(luò)中梯度消失/爆炸和網(wǎng)絡(luò)退化的問(wèn)題,同時(shí)增強(qiáng)模型的泛化性能,具體實(shí)現(xiàn)方式是用殘差塊替換U-Net 中原始的卷積塊。non-local塊(圖2(b))被插入到U-Net的收縮路徑中,用于計(jì)算特征圖中像素之間的長(zhǎng)距離依賴關(guān)系,提取特征圖的全局上下文信息。類似于注意力U-Net[19],在模型中還使用了深度監(jiān)督學(xué)習(xí)[20]來(lái)直接影響隱藏層權(quán)重更新過(guò)程,促使中間層不同尺度的特征圖學(xué)習(xí)有區(qū)分度的特征。為提高訓(xùn)練的穩(wěn)定性,加快模型收斂,在原始U-Net 的每個(gè)卷積層之后進(jìn)行批歸一化(Batch Normalization,BN),并將這一改良后的U-Net作為基線模型。

    圖2 網(wǎng)絡(luò)中的不同塊Fig.2 Different blocks in network

    1.2 殘差學(xué)習(xí)機(jī)制

    深度殘差學(xué)習(xí)[21]在ImageNet 的分類、檢測(cè)、定位以及COCO 的檢測(cè)和分割任務(wù)中均獲得了第一名的成績(jī)。殘差學(xué)習(xí)解決的最根本的問(wèn)題是網(wǎng)絡(luò)過(guò)深時(shí)的退化問(wèn)題,通過(guò)增加一個(gè)恒等映射,將原始需要學(xué)習(xí)的函數(shù)轉(zhuǎn)化成F+x的形式,并假設(shè)殘差映射F的優(yōu)化會(huì)比原始映射的優(yōu)化容易。這種殘差學(xué)習(xí)的思想通過(guò)捷徑連接來(lái)實(shí)現(xiàn),在幾乎沒(méi)有增加額外參數(shù)和計(jì)算量的情況下,極大提高了模型的訓(xùn)練速度和效果,很好地解決了網(wǎng)絡(luò)退化問(wèn)題。也有研究認(rèn)為,由殘差塊構(gòu)成的深度殘差網(wǎng)絡(luò)可以看作是不同深度的淺層神經(jīng)網(wǎng)絡(luò)的集成,引入殘差學(xué)習(xí)可以增強(qiáng)網(wǎng)絡(luò)的泛化能力[22]。泛化性能較好的模型更適用于樣本量較小的醫(yī)學(xué)圖像分割場(chǎng)景。研究中探索了使用殘差塊代替U-Net 中原始的卷積塊(Conv 3×3+ReLU)對(duì)模型性能的影響。殘差塊可表示為:

    其中:x和y是殘差塊的輸入和輸出;F(x,{Wi})是要學(xué)習(xí)的殘差映射,對(duì)于一個(gè)兩層的殘差映射F=W2(W1x),Wi是卷積操作(Conv 3×3)。F+Wsx是通過(guò)捷徑連接和逐元素相加實(shí)現(xiàn)的。為了確保輸入輸出維度一致,這里的捷徑連接使用了線性投影Ws(Conv 1×1)[23]。殘差塊具體結(jié)構(gòu)如圖2(a)所示。

    1.3 non-local塊

    在深度神經(jīng)網(wǎng)絡(luò)中捕獲長(zhǎng)距離依賴是至關(guān)重要的,在序列數(shù)據(jù)處理中通常使用循環(huán)操作來(lái)實(shí)現(xiàn),在圖像數(shù)據(jù)處理中通常用卷積操作的堆疊來(lái)增大感受野。上述兩種操作只考慮了相鄰位置之間的交互,本質(zhì)上都是對(duì)局部信息的處理,為了捕獲長(zhǎng)距離依賴而重復(fù)使用這些局部操作,會(huì)導(dǎo)致優(yōu)化困難和計(jì)算效率低的問(wèn)題。因此,Wang 等[17]提出了一種高效、簡(jiǎn)單和通用的用于捕獲長(zhǎng)距離依賴的non-local 操作,它通過(guò)計(jì)算特征圖上任意兩個(gè)位置的相互作用,直接對(duì)遠(yuǎn)程依賴關(guān)系進(jìn)行編碼,無(wú)論這兩個(gè)位置的遠(yuǎn)近。它將某個(gè)位置上的響應(yīng),計(jì)算為該位置與特征圖上所有其他位置相互作用的加權(quán)求和。同時(shí),non-local 塊的設(shè)計(jì)類似于殘差學(xué)習(xí)機(jī)制,在nonlocal 操作后加上了原始特征圖,模塊的輸入輸出保持維度一致,這種設(shè)計(jì)使得non-local 塊可以作為一個(gè)組件插入到任意網(wǎng)絡(luò)中。詳細(xì)的non-local 塊結(jié)構(gòu)如圖2(b)所示。H×W×C分別代表高、寬和通道數(shù),通道數(shù)即為特征圖數(shù)。θ、φ、g和z都表示1×1 的卷積操作?!?”表示矩陣乘法,“⊕”表示逐元素加法。non-local操作的定義是:

    其中:x是輸入特征圖;y是輸出特征圖,其維度大小與x相同;i是第i個(gè)像素點(diǎn)的位置索引;j是枚舉其他所有可能的位置索引,第i個(gè)位置的非局部響應(yīng)值是枚舉所有位置計(jì)算得到的一個(gè)加權(quán)匯總值。函數(shù)f是一個(gè)相似性度量函數(shù),用于計(jì)算i與所有j之間的關(guān)系,函數(shù)g是一個(gè)映射函數(shù),計(jì)算特征圖在位置j的表示。最后通過(guò)因子C(x)對(duì)計(jì)算結(jié)果進(jìn)行標(biāo)準(zhǔn)化,C(x)=圖3 中直觀展示了式(2)的計(jì)算過(guò)程,“?”表示卷積操作,計(jì)算特征圖f(xi,xj)與g(xj)對(duì)應(yīng)位置相乘并求和的結(jié)果。

    圖3 non-local操作的計(jì)算過(guò)程Fig.3 Computation process of non-local operation

    Non-local neural network 的原文中提出了f和g的幾種版本,實(shí)驗(yàn)結(jié)果表明,無(wú)論f和g的形式如何,non-local 操作才是結(jié)果改進(jìn)的主要原因。因此使用嵌入式高斯函數(shù)來(lái)計(jì)算像素之間的關(guān)系:

    其中:θ(xi)=Wθxi和φ(xi)=Wφxi都是在原始輸入特征圖上進(jìn)行的卷積操作。在設(shè)計(jì)non-local塊時(shí)將其設(shè)計(jì)為殘差連接的形式,最終的輸出zi可以被定義為:

    其中,Wz是一個(gè)卷積操作,輸入輸出的維度大小保持一致。殘差連接的形式使得這一模塊可以被插入到任意預(yù)定義的網(wǎng)絡(luò)結(jié)構(gòu)中。以下展示的是non-local模塊的偽代碼。

    算法1 non-local模塊偽代碼。

    輸入 特征圖x,大小為Fnum×H×W×M;

    輸出 特征圖z,大小為Fnum×H×W×M。

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 數(shù)據(jù)集

    ISLES 2017 由75 名缺血性腦卒中患者組成,分為兩個(gè)數(shù)據(jù)集:訓(xùn)練數(shù)據(jù)集(43 個(gè)患者)和測(cè)試數(shù)據(jù)集(32 個(gè)患者)。每位患者有7 種不同模態(tài)的磁共振圖像:擴(kuò)散加權(quán)成像(Diffusion Weighted Imaging,DWI)、表觀彌散系數(shù)(Apparent Diffusion Coefficient,ADC)、腦血流量(Cerebral Blood Flow,CBF)、腦血容量(Cerebral Blood Volume,CBV)、血流達(dá)峰時(shí)間(Time maximum,Tmax)和對(duì)比劑峰值時(shí)間(Time To Peak,TTP)、平均通過(guò)時(shí)間(Mean Transit Time,MTT)。除了上述的急性期的多模態(tài)核磁共振圖像,還提供了3~9 個(gè)月后隨訪的解剖序列T2 加權(quán)圖像(T2-weighted,T2w)或液體衰減反轉(zhuǎn)恢復(fù)(FLuid-Attenuated Inversion Recovery,F(xiàn)LAIR)成像,此時(shí)卒中病灶已經(jīng)穩(wěn)定。訓(xùn)練集中的每位患者都有一個(gè)分割結(jié)果圖,分割結(jié)果圖是在隨訪成像(T2w 或FLAIR)上由專家手動(dòng)標(biāo)注的病灶區(qū)域,作為模型訓(xùn)練的標(biāo)簽。所有的MRI 圖像均經(jīng)過(guò)了預(yù)處理,詳細(xì)的數(shù)據(jù)信息可在ISLES 網(wǎng)站上找到(http://www.isles-challenge.org/ISLES2017/)。在這項(xiàng)研究中,主要關(guān)注6 個(gè)MRI 參數(shù)圖:ADC、CBV、CBF、MTT、TTP 和Tmax,圖4(a)中展示了訓(xùn)練集患者(編號(hào)14)的6 種模態(tài)MRI與病灶標(biāo)簽。

    2.2 評(píng)價(jià)指標(biāo)

    在ISLES 2017數(shù)據(jù)集上評(píng)估了模型,提交測(cè)試集結(jié)果后,可以在在線平臺(tái)上訪問(wèn)評(píng)估結(jié)果。分割的質(zhì)量通過(guò)三個(gè)主要指標(biāo)進(jìn)行評(píng)估:Dice 系數(shù)(Dice’s Coefficient,DC),平均對(duì)稱表面距離(Average Symmetric Surface Distance,ASSD)和豪斯多夫距離(Hausdorff Distance,HD),精確率(Precision)和召回率(Recall)則作為輔助指標(biāo),反映過(guò)分割和欠分割的情況。其中,病灶區(qū)域被正確地分割為病灶,定義為真陽(yáng)性(True Positive,TP);非病灶區(qū)域被錯(cuò)誤地分割為病灶,定義為假陽(yáng)性(False Positive,F(xiàn)P);病灶區(qū)域被錯(cuò)誤地分割為非病灶,定義為假陰性(False Negative,F(xiàn)N);非病灶區(qū)域被正確地分割為非病灶,定義為真陰性(True Negative,TN)。

    DC 反映的是預(yù)測(cè)為病灶的像素集合和實(shí)際為病灶的像素集合的相似性,DC的計(jì)算式為:

    精確率反映被分割為病灶的像素中實(shí)際為病灶像素的比例:

    召回率反映的是實(shí)際的病灶像素中有多大比例被正確地分割為病灶像素:

    這里還使用了距離度量(平均對(duì)稱表面距離和豪斯多夫距離)來(lái)反映區(qū)域邊界的差異,距離指標(biāo)越小分割精度越高。定義A為預(yù)測(cè)的病灶像素集合,B為實(shí)際的病灶像素集合,則ASSD的定義如下:

    其中:平均表面距離(Average Surface Distance,ASD)是非對(duì)稱 的,ASD(A,B) ≠ASD(B,A);d(a,b) 是a點(diǎn) 和b點(diǎn)的歐 氏距離。

    HD 反映A和B兩個(gè)點(diǎn)集合中表面點(diǎn)的最大距離,定義如下:

    2.3 實(shí)施細(xì)節(jié)

    在訓(xùn)練階段,參考文獻(xiàn)[24]中的預(yù)處理方法對(duì)圖像進(jìn)行了簡(jiǎn)單的預(yù)處理。將所有MRI 圖像的大小調(diào)整為32×256×256×1,將ADC圖像的閾值限制在區(qū)間[0,2 600]×10-6mm2/s,并將Tmax的閾值限制為[0,20]s。每個(gè)患者的不同模態(tài)MRI圖像根據(jù)各自的平均值和方差進(jìn)行標(biāo)準(zhǔn)化。

    為了增加訓(xùn)練樣本量,使用圖像塊作為輸入。所有模型的輸入均為隨機(jī)采樣的大小為1×128×128×6 的圖像塊,這些圖像塊與相應(yīng)的病灶標(biāo)注結(jié)果匹配,用于有監(jiān)督地訓(xùn)練模型。分析訓(xùn)練集的病灶像素?cái)?shù)量可以發(fā)現(xiàn)患者集中分布在病灶較小的區(qū)域,考慮到卒中病灶的大小對(duì)模型性能有很大影響,對(duì)小病灶樣本進(jìn)行了過(guò)采樣。根據(jù)病灶大小的四分位數(shù),將訓(xùn)練集中所有患者劃分到4 個(gè)區(qū)間中,對(duì)于不同區(qū)間中的患者,采樣數(shù)分別設(shè)置為16、32、48、64,病灶越小采樣量越大,對(duì)小病灶樣本過(guò)采樣有助于增加含有小病灶的圖像塊數(shù)量,從數(shù)據(jù)層面上促使算法學(xué)習(xí)小病灶的特征。以采樣數(shù)為64的患者為例,預(yù)處理后MRI大小為32×256×256×6,共6種模態(tài),對(duì)于每個(gè)輸入特征圖(總共32),隨機(jī)采樣64 個(gè)大小為128×128×6的塊,最終采樣得到2 048(32×64)個(gè)圖像塊,即2 048×128×128×6的圖像塊??傮w上看,采樣后的數(shù)據(jù)量是原始訓(xùn)練數(shù)據(jù)量的40 倍(擴(kuò)增倍數(shù)=(16+32+48+64)/4)。此外,采用了一些常見(jiàn)的數(shù)據(jù)增強(qiáng)技術(shù),例如翻轉(zhuǎn)、平移、旋轉(zhuǎn)和縮放,在不改變訓(xùn)練數(shù)據(jù)規(guī)模的情況下增加訓(xùn)練數(shù)據(jù)的多樣性,優(yōu)化模型泛化性能。通過(guò)結(jié)合上述圖像采樣技術(shù)和數(shù)據(jù)增強(qiáng)技術(shù),增加了訓(xùn)練數(shù)據(jù)的樣本量和多樣性,同時(shí)提高了包含小病灶的圖像塊比例,使訓(xùn)練數(shù)據(jù)集更適用于這項(xiàng)研究的應(yīng)用場(chǎng)景。訓(xùn)練過(guò)程中使用7 折交叉驗(yàn)證對(duì)模型進(jìn)行評(píng)估,上述圖像塊采樣和數(shù)據(jù)增強(qiáng)技術(shù)僅在訓(xùn)練過(guò)程中進(jìn)行。

    在測(cè)試階段,裁剪了ADC 和Tmax 的數(shù)值范圍,對(duì)測(cè)試集所有圖像也進(jìn)行了標(biāo)準(zhǔn)化,但保留了測(cè)試數(shù)據(jù)集的原始維度,直接利用訓(xùn)練好的全卷積網(wǎng)絡(luò)進(jìn)行密集的像素預(yù)測(cè)。最終提交的預(yù)測(cè)結(jié)果是通過(guò)計(jì)算7 個(gè)交叉驗(yàn)證模型的平均預(yù)測(cè)概率得出的集成結(jié)果。為保證對(duì)比結(jié)果的公平性,研究中不同方法的訓(xùn)練集、驗(yàn)證集、測(cè)試集完全一致。

    為保證公平比較,所有的網(wǎng)絡(luò)都使用同一套超參數(shù)。用Adam優(yōu)化器進(jìn)行訓(xùn)練,初始學(xué)習(xí)率設(shè)置為5×10-5,衰減速率為1×10-6。批次大?。╩ini-batch size)設(shè)置為4,并且在訓(xùn)練過(guò)程中采用早停法。Dice 損失被用作損失函數(shù)。基于Keras框架,使用NVIDIA 2080Ti顯卡進(jìn)行加速。

    2.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

    為了分析不同模塊給模型帶來(lái)的性能提升,設(shè)計(jì)了一系列消融實(shí)驗(yàn)來(lái)比較各個(gè)模塊的表現(xiàn),表1 中給出了實(shí)驗(yàn)結(jié)果(均值±標(biāo)準(zhǔn)差)。方法1是2.1節(jié)中的改良U-Net,作為基線模型。如表1 所示,深度監(jiān)督(Dsv)的引入(方法2)對(duì)3 個(gè)關(guān)鍵指標(biāo)均有所改善。在方法3和方法5中,僅在第一個(gè)池化層之前插入一個(gè)non-local 塊。方法3 與方法2 對(duì)比結(jié)果顯示,nonlocal 塊的加入改進(jìn)了HD 和ASSD 兩個(gè)距離指標(biāo),并且方法3實(shí)現(xiàn)了最佳的HD,表明non-local塊可以通過(guò)提供更多上下文信息來(lái)改善距離指標(biāo),提高分割精度。在方法4 和方法5 中,將U-Net 中的所有原始卷積編碼器塊替換為殘差塊(Res)。方法4 與方法2 相比,在所有指標(biāo)上均表現(xiàn)出明顯改善,實(shí)現(xiàn)了最佳DC 和ASSD。值得一提的是,相對(duì)于方法2(訓(xùn)練集Dice=0.36±0.24,測(cè)試集Dice=0.28±0.23),方法4 的Dice 系數(shù)在訓(xùn)練集和測(cè)試集上更為接近(訓(xùn)練集Dice=0.33±0.23,測(cè)試集Dice=0.29±0.23),說(shuō)明殘差塊有效地避免了模型過(guò)擬合訓(xùn)練數(shù)據(jù),增強(qiáng)了模型在小樣本上的泛化能力。然而,方法5與方法4 相比,在所有指標(biāo)上都沒(méi)有改進(jìn),這表明在殘差U-Net 的基礎(chǔ)上以不當(dāng)?shù)姆绞郊尤雗on-local 塊可能會(huì)產(chǎn)生負(fù)面影響。應(yīng)當(dāng)指出,相較于方法2,方法3 和方法4 中添加的殘差塊和non-local 塊都對(duì)距離度量有所改進(jìn),但是兩個(gè)不同塊的組合卻導(dǎo)致模型性能略有下降。

    表1 不同模塊的消融實(shí)驗(yàn)結(jié)果Tab.1 Ablation experimental results of different modules

    由于在上述實(shí)驗(yàn)中,non-local塊僅在U-Net收縮路徑中的第一個(gè)池化層之前插入,而相關(guān)研究中[17,25]指出non-local 塊插入的階段會(huì)影響其性能,因此在殘差U-Net模型(方法4)的基礎(chǔ)上,對(duì)插入non-local 塊的階段的影響進(jìn)行了進(jìn)一步的探索,以便更深入地了解non-local塊和殘差模塊間的相互影響。在不同的最大池化層之前添加單個(gè)non-local 塊,被標(biāo)記為MPi,下標(biāo)i是指第i個(gè)池化層,在第一個(gè)上采樣層之前插入non-local塊被標(biāo)記為After center 階段。圖4(b)對(duì)比了多個(gè)模型不同階段的中間層特征圖(患者編號(hào)14)。從圖4(b)可以發(fā)現(xiàn),越靠近輸出層,特征越抽象,空間分辨率越低。表2 的實(shí)驗(yàn)結(jié)果(均值±標(biāo)準(zhǔn)差)顯示,相同的non-local塊在不同階段插入時(shí)模型的性能不同。MP4達(dá)到了最佳DC 和ASSD。從表2 中可以發(fā)現(xiàn),non-local 塊插入的階段越靠后(下標(biāo)越大),其性能越好。一種可能的解釋是插入階段靠后,non-local 塊輸入的特征圖所代表的特征越高級(jí),而對(duì)于non-local 塊在After center 階段中表現(xiàn)較差的原因可能是,該階段的特征圖較?。?2×12),無(wú)法提供準(zhǔn)確的空間信息。通過(guò)表1 和表2中的方法4 與MP4對(duì)比可以發(fā)現(xiàn),方法4 的HD 和精確率更佳,而MP4的ASSD 和召回率更好,單純從指標(biāo)上來(lái)看兩種方法不相上下,但在醫(yī)學(xué)影像分割中召回率更為重要,更高的召回率有助于盡可能識(shí)別病灶區(qū)域,避免漏診。

    圖4 原始輸入輸出與中間特征圖(患者編號(hào)14)Fig.4 Original input,output and intermediate feature maps(patient No.14)

    表2 在不同階段插入non-local塊的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of inserting non-local blocks at different stages

    為了更直觀地展示non-local塊在不同階段插入對(duì)特征的影響,圖5 對(duì)比了不同階段non-local 塊的輸入輸出特征圖(患者編號(hào)14),1~5 分別代表了MP1、MP2、MP3、MP4和After center 五個(gè)階段,列標(biāo)簽分別對(duì)應(yīng)式(4)中的變量,x是輸入特征圖,z是輸出特征圖,Wzy是non-local 操作編碼的全局上下文信息。從圖5 中可以發(fā)現(xiàn),越接近輸入層,輸入特征圖的空間分辨率越高,包含的原始細(xì)節(jié)信息較多,此時(shí)non-local塊捕獲的信息定位更為準(zhǔn)確,冗余信息較多(MP1);越接近輸出層,輸入特征圖分辨率越低,特征更為抽象,此時(shí)non-local 塊學(xué)習(xí)到的信息包含的噪聲較少,對(duì)病灶區(qū)域和非病灶區(qū)域有一定的區(qū)分能力(MP4),加入non-local 塊學(xué)到的信息后病灶區(qū)域被突出顯示;而在空間信息損失較多的階段,則無(wú)法捕獲定位準(zhǔn)確的全局信息(After center)。結(jié)合圖5 可以更好地理解表2的實(shí)驗(yàn)結(jié)果。

    圖5 不同階段non-local塊的輸入輸出特征圖(患者編號(hào)14)Fig.5 Input and output feature maps of non-local blocks at different stages(patient No.14)

    在表3 中,將本文提出的方法與ISLES 官網(wǎng)上“POSTEVENT EVALUATION”中公開(kāi)的最先進(jìn)的方法[26]進(jìn)行了比較,結(jié)果獲取時(shí)間為2020 年10 月20 日,由于官網(wǎng)只提供了DC 和HD 兩個(gè)指標(biāo),所以表中未展示關(guān)鍵指標(biāo)ASSD 的結(jié)果。所有方法按團(tuán)隊(duì)排名(由官網(wǎng)直接提供)排序。

    文獻(xiàn)[27]提出了一種針對(duì)小樣本數(shù)據(jù)集設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)集成模型,使用了殘差U-Net 和空間金字塔池。文獻(xiàn)[28]提出了一種基于U-Net 的全卷積結(jié)構(gòu),并通過(guò)殘差連接和損失函數(shù)來(lái)結(jié)合不同尺度的信息。文獻(xiàn)[29]在U-Net的啟發(fā)下使用了兩個(gè)深度對(duì)抗神經(jīng)網(wǎng)絡(luò),結(jié)果表明對(duì)抗訓(xùn)練可以產(chǎn)生正則化的效果,避免模型過(guò)擬合訓(xùn)練數(shù)據(jù)。文獻(xiàn)[30]中提出了一種新的損失函數(shù)來(lái)優(yōu)化全卷積神經(jīng)網(wǎng)絡(luò),這種損失函數(shù)由交叉熵?fù)p失和Dice 系數(shù)組成。文獻(xiàn)[31]提出了一個(gè)雙路徑不同尺度的全卷積神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)[24]提出了一種基于U-Net 和門(mén)控循環(huán)單元的分割方法,并在分割框架中結(jié)合了非成像臨床信息。文獻(xiàn)[32]使用了改進(jìn)的DeepMedic進(jìn)行3D圖像分割。文獻(xiàn)[33]提出了基于塊的多尺度3D CNN 架構(gòu),該模型可以充分利用有限數(shù)據(jù)集的信息。由于方法4(殘差U-Net)和MP4(RN-UNet)在消融實(shí)驗(yàn)中表現(xiàn)較好,將它們與最新方法進(jìn)行比較。從表3 中可以發(fā)現(xiàn),相較于其他文獻(xiàn)的方法,本文所提出的方法及其變體在所有指標(biāo)上均可達(dá)到有競(jìng)爭(zhēng)性的結(jié)果,并且極大改善了距離指標(biāo)。除了與官網(wǎng)中公開(kāi)的方法進(jìn)行對(duì)比,本文還對(duì)比分析了未在官網(wǎng)展示的基于該數(shù)據(jù)集的其他最新研究。文獻(xiàn)[34]提出的基于分型網(wǎng)絡(luò)與U-Net 的級(jí)聯(lián)網(wǎng)絡(luò)CSNet 在ISLES 2017 上的評(píng)估結(jié)果(訓(xùn)練集Dice=0.56±0.23,測(cè)試集Dice=0.28±0.22)不如殘差U-Net和RN-UNet,且存在過(guò)擬合的問(wèn)題。文獻(xiàn)[35]提出的U-ISLES 獲得的測(cè)試集Dice 為0.34,但所提的方法需要進(jìn)行額外的后處理,且并沒(méi)有提供其他關(guān)鍵指標(biāo)的測(cè)試結(jié)果。根據(jù)病灶大小計(jì)算四分位數(shù),將患者劃分到不同區(qū)間,從4 個(gè)不同區(qū)間分別選取了1 位患者展示了病灶分割結(jié)果(如圖6所示)。

    表3 在ISLES 2017測(cè)試集上不同方法的結(jié)果對(duì)比Tab.3 Comparison results of different methods on ISLES 2017 test set

    圖6(a)~(d)分別是四位病灶大小不同的患者,按病灶從小到大排列,對(duì)比了幾種方法的分割結(jié)果差異。從圖6 中對(duì)比可以發(fā)現(xiàn),RN-UNet 在不同大小的病灶上均取得了比較好的分割效果,可以發(fā)現(xiàn)難以被識(shí)別的小病灶,在識(shí)別大病灶時(shí)也可以提供更精細(xì)的病灶輪廓。

    圖6 不同方法的病灶分割結(jié)果對(duì)比Fig.6 Comparison of lesion segmentation results of different methods

    3 結(jié)語(yǔ)

    針對(duì)小樣本情境下的缺血性腦卒中病灶分割這一問(wèn)題,本文提出了在U-Net 的基礎(chǔ)上融合了殘差模塊和non-local 塊的端到端自動(dòng)分割算法。為解決樣本量小、正負(fù)樣本不均衡、病灶多樣性等問(wèn)題,從數(shù)據(jù)和算法兩個(gè)層面作出了有針對(duì)性的設(shè)計(jì)。數(shù)據(jù)層面上,針對(duì)醫(yī)學(xué)分割數(shù)據(jù)集樣本量小、小目標(biāo)分割中背景所占比例遠(yuǎn)大于目標(biāo)比例的問(wèn)題,采取了圖像塊輸入、不均衡采樣、數(shù)據(jù)增強(qiáng)等數(shù)據(jù)預(yù)處理技術(shù),避免模型過(guò)擬合,促使模型對(duì)小目標(biāo)的學(xué)習(xí)。后續(xù)的研究中面對(duì)小樣本場(chǎng)景和小目標(biāo)分割任務(wù),可以參考研究中的數(shù)據(jù)預(yù)處理思路,從數(shù)據(jù)和算法兩個(gè)層面上作出有針對(duì)性的應(yīng)用設(shè)計(jì),而不僅僅局限于對(duì)算法的改進(jìn)。算法層面上,針對(duì)樣本量小和病灶多樣性的問(wèn)題,在傳統(tǒng)U-Net 的基礎(chǔ)上引入殘差學(xué)習(xí)增強(qiáng)模型泛化性能,引入non-local 模塊實(shí)現(xiàn)對(duì)圖像塊上下文信息的充分利用。使用ISLES 2017 這一基準(zhǔn)數(shù)據(jù)集,設(shè)計(jì)了一系列實(shí)驗(yàn)探索不同模塊的表現(xiàn),以及模塊之間的相互影響。在模塊表現(xiàn)方面,發(fā)現(xiàn)non-local 模塊的加入可以明顯改善距離指標(biāo),減小病灶與預(yù)測(cè)的邊界差異。通過(guò)特征圖的可視化直觀展示了在合適的階段插入non-local模塊對(duì)目標(biāo)區(qū)域的突出顯示作用,增進(jìn)了對(duì)這一模塊所編碼信息的理解。在模塊的相互作用方面,發(fā)現(xiàn)合理地組合殘差塊和non-local 塊不僅可以改善Dice 系數(shù)和距離指標(biāo),還可以減少欠分割,防止小病灶的漏診。研究中對(duì)這些模塊及其相互作用的深入了解,為這些模塊后續(xù)在小樣本、像素級(jí)的計(jì)算機(jī)視覺(jué)任務(wù)中的應(yīng)用提供了參考。

    本文算法相較基線模型和其他對(duì)比算法取得了更好的分割結(jié)果,對(duì)不同大小、形狀、位置的病灶都表現(xiàn)出了比較好的魯棒性。端到端的網(wǎng)絡(luò)設(shè)計(jì)也避免了繁瑣的后處理操作,有助于在卒中急性期輔助醫(yī)生對(duì)患者進(jìn)行及時(shí)診斷和治療規(guī)劃。本文研究主要是針對(duì)具體問(wèn)題的解決方案設(shè)計(jì),因此所提分割算法的適用場(chǎng)景存在一定的局限。在未來(lái)的研究中可以在此工作的基礎(chǔ)上擴(kuò)展研究場(chǎng)景和實(shí)驗(yàn)數(shù)據(jù)集,使算法更具有通用性。后續(xù)研究中也可以結(jié)合急性期的影像數(shù)據(jù)和臨床信息,更準(zhǔn)確地預(yù)測(cè)卒中病變的組織結(jié)果和臨床干預(yù)的風(fēng)險(xiǎn),為臨床決策過(guò)程提供兼具準(zhǔn)確性和可解釋性的分割方法。

    猜你喜歡
    殘差像素卷積
    趙運(yùn)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
    基于雙向GRU與殘差擬合的車(chē)輛跟馳建模
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    基于殘差學(xué)習(xí)的自適應(yīng)無(wú)人機(jī)目標(biāo)跟蹤算法
    “像素”仙人掌
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    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(biāo)跟蹤算法
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    亚洲精品一二三| 在线亚洲精品国产二区图片欧美 | 亚洲四区av| 久久久国产一区二区| 国产黄色免费在线视频| 欧美老熟妇乱子伦牲交| 国产无遮挡羞羞视频在线观看| 视频中文字幕在线观看| 久久热精品热| 中文在线观看免费www的网站| 亚洲欧美日韩卡通动漫| 国产av精品麻豆| 国产大屁股一区二区在线视频| 中文字幕精品免费在线观看视频 | 国产永久视频网站| 亚洲,欧美,日韩| 久久久久久久久久久丰满| 国产黄频视频在线观看| 久久精品国产鲁丝片午夜精品| 在线观看免费高清a一片| 精品午夜福利在线看| av网站免费在线观看视频| 久久久久久久久久成人| 18禁动态无遮挡网站| 毛片一级片免费看久久久久| 亚洲内射少妇av| 日韩一本色道免费dvd| 亚洲国产日韩一区二区| 亚洲图色成人| 热99国产精品久久久久久7| xxx大片免费视频| 国产高潮美女av| 乱码一卡2卡4卡精品| 狂野欧美激情性xxxx在线观看| 只有这里有精品99| 免费看光身美女| 如何舔出高潮| 亚洲四区av| 激情 狠狠 欧美| 亚洲美女黄色视频免费看| 五月开心婷婷网| 纯流量卡能插随身wifi吗| 高清不卡的av网站| 欧美精品国产亚洲| 久久久午夜欧美精品| 人体艺术视频欧美日本| 亚洲在久久综合| 美女中出高潮动态图| 中文字幕制服av| 免费在线观看成人毛片| 91久久精品国产一区二区成人| 18禁裸乳无遮挡动漫免费视频| 男人舔奶头视频| 伦理电影大哥的女人| 国产在线男女| 欧美高清性xxxxhd video| 久久久久精品性色| 亚洲av电影在线观看一区二区三区| 又大又黄又爽视频免费| 最近中文字幕2019免费版| 91精品一卡2卡3卡4卡| 免费黄频网站在线观看国产| 少妇熟女欧美另类| 女人十人毛片免费观看3o分钟| 永久网站在线| 国产毛片在线视频| 麻豆乱淫一区二区| 成人特级av手机在线观看| 九九久久精品国产亚洲av麻豆| 国产精品无大码| 久久人妻熟女aⅴ| 中文资源天堂在线| 欧美成人精品欧美一级黄| 简卡轻食公司| 97热精品久久久久久| 一级二级三级毛片免费看| 九色成人免费人妻av| 日本wwww免费看| 中文字幕av成人在线电影| 久久鲁丝午夜福利片| 99久久精品一区二区三区| 99热这里只有是精品在线观看| 午夜福利视频精品| 午夜免费鲁丝| 色哟哟·www| 日本免费在线观看一区| 日日摸夜夜添夜夜添av毛片| av在线老鸭窝| 国产在线一区二区三区精| 丝袜脚勾引网站| 女人十人毛片免费观看3o分钟| 亚洲精品国产成人久久av| 久久久久久伊人网av| 国产午夜精品久久久久久一区二区三区| 日本-黄色视频高清免费观看| 欧美激情国产日韩精品一区| 免费人成在线观看视频色| 亚洲不卡免费看| 麻豆成人午夜福利视频| 毛片女人毛片| av在线播放精品| 一本色道久久久久久精品综合| 男女啪啪激烈高潮av片| 五月开心婷婷网| 99国产精品免费福利视频| 国产 一区 欧美 日韩| 99热6这里只有精品| 国产精品熟女久久久久浪| 少妇裸体淫交视频免费看高清| 丰满乱子伦码专区| 五月玫瑰六月丁香| 久久精品久久久久久噜噜老黄| 国产真实伦视频高清在线观看| 亚洲一区二区三区欧美精品| 高清黄色对白视频在线免费看 | 亚洲av综合色区一区| 中国国产av一级| 国产成人91sexporn| 免费观看a级毛片全部| 2022亚洲国产成人精品| 日本免费在线观看一区| 日韩,欧美,国产一区二区三区| 国产一级毛片在线| 最近2019中文字幕mv第一页| 久久青草综合色| 国产亚洲午夜精品一区二区久久| 一本—道久久a久久精品蜜桃钙片| 亚洲怡红院男人天堂| 日韩不卡一区二区三区视频在线| 深夜a级毛片| 自拍偷自拍亚洲精品老妇| 亚洲精品日韩在线中文字幕| 亚洲精品自拍成人| 亚洲国产高清在线一区二区三| 内射极品少妇av片p| 亚洲无线观看免费| 久久久欧美国产精品| 精品视频人人做人人爽| 一个人免费看片子| 国产精品国产三级国产专区5o| 亚洲精品国产色婷婷电影| av免费在线看不卡| 在线观看一区二区三区| 亚洲精品aⅴ在线观看| 亚洲经典国产精华液单| kizo精华| 国产成人a区在线观看| 欧美高清性xxxxhd video| 久久久色成人| 精品一区在线观看国产| 九九久久精品国产亚洲av麻豆| 寂寞人妻少妇视频99o| 欧美日本视频| a级一级毛片免费在线观看| 久久久久久久亚洲中文字幕| 纯流量卡能插随身wifi吗| 一级毛片我不卡| 国产欧美另类精品又又久久亚洲欧美| 我的女老师完整版在线观看| 在线观看免费日韩欧美大片 | 午夜免费鲁丝| 日日撸夜夜添| 只有这里有精品99| 午夜日本视频在线| 我的老师免费观看完整版| 日本黄色日本黄色录像| 久久精品熟女亚洲av麻豆精品| 国产精品伦人一区二区| 高清欧美精品videossex| 一区二区三区免费毛片| 啦啦啦中文免费视频观看日本| 国产高清国产精品国产三级 | 99热这里只有是精品在线观看| 卡戴珊不雅视频在线播放| 久久精品久久精品一区二区三区| 青青草视频在线视频观看| av国产精品久久久久影院| 在线观看免费高清a一片| 成人影院久久| 有码 亚洲区| 精品午夜福利在线看| 美女国产视频在线观看| 国产 一区精品| 中文字幕久久专区| 天堂俺去俺来也www色官网| 成年人午夜在线观看视频| 能在线免费看毛片的网站| 在线 av 中文字幕| 99久久综合免费| 一级毛片久久久久久久久女| 一级毛片久久久久久久久女| 久久韩国三级中文字幕| 视频中文字幕在线观看| 午夜激情久久久久久久| 日韩大片免费观看网站| 高清av免费在线| 国产一区二区在线观看日韩| 亚洲怡红院男人天堂| 99热国产这里只有精品6| 少妇人妻一区二区三区视频| 黄片无遮挡物在线观看| 国产极品天堂在线| 日韩中字成人| 久久精品久久久久久噜噜老黄| 成人国产麻豆网| 婷婷色综合大香蕉| 亚洲真实伦在线观看| 免费播放大片免费观看视频在线观看| 亚洲伊人久久精品综合| 国产精品成人在线| 亚洲熟女精品中文字幕| 男人舔奶头视频| 日日啪夜夜撸| 国产伦精品一区二区三区视频9| 成人国产av品久久久| 日日摸夜夜添夜夜爱| 美女福利国产在线 | 纯流量卡能插随身wifi吗| 99久久人妻综合| 免费人成在线观看视频色| 国产伦理片在线播放av一区| 少妇的逼水好多| 欧美人与善性xxx| 精品少妇黑人巨大在线播放| 夫妻性生交免费视频一级片| 亚洲中文av在线| 夫妻性生交免费视频一级片| 欧美xxⅹ黑人| 22中文网久久字幕| 男人舔奶头视频| 国产午夜精品久久久久久一区二区三区| 国产精品一区二区性色av| 国产精品蜜桃在线观看| 久久人人爽人人片av| 美女视频免费永久观看网站| 欧美xxⅹ黑人| 久久精品国产a三级三级三级| 精品亚洲乱码少妇综合久久| 国产一区有黄有色的免费视频| 久久精品熟女亚洲av麻豆精品| 国产午夜精品一二区理论片| 91狼人影院| 久久久久久久久久久免费av| 夜夜看夜夜爽夜夜摸| 日韩人妻高清精品专区| 男女国产视频网站| 97在线视频观看| 成人特级av手机在线观看| 在线观看美女被高潮喷水网站| 王馨瑶露胸无遮挡在线观看| 国产精品一区www在线观看| 欧美xxxx性猛交bbbb| 欧美丝袜亚洲另类| 免费观看的影片在线观看| 舔av片在线| 深爱激情五月婷婷| 国产在视频线精品| 久久午夜福利片| a 毛片基地| 如何舔出高潮| 青春草视频在线免费观看| 麻豆成人av视频| 久久人妻熟女aⅴ| 国产黄频视频在线观看| 最新中文字幕久久久久| 成人国产av品久久久| 校园人妻丝袜中文字幕| 男男h啪啪无遮挡| 国产美女午夜福利| 三级国产精品片| 久久久a久久爽久久v久久| 99久久精品一区二区三区| 成人高潮视频无遮挡免费网站| 寂寞人妻少妇视频99o| 国产精品成人在线| 欧美精品国产亚洲| 亚洲色图综合在线观看| 校园人妻丝袜中文字幕| 国产黄片视频在线免费观看| 丝袜脚勾引网站| 国产深夜福利视频在线观看| 国产伦精品一区二区三区四那| 色综合色国产| 人人妻人人看人人澡| 国产精品一区二区在线观看99| 国产免费一级a男人的天堂| 日韩精品有码人妻一区| 免费av中文字幕在线| 美女福利国产在线 | 精品亚洲乱码少妇综合久久| 亚洲欧美成人精品一区二区| 久久人妻熟女aⅴ| 亚洲伊人久久精品综合| 日本爱情动作片www.在线观看| 精品人妻熟女av久视频| 国产高清三级在线| 成人亚洲欧美一区二区av| 婷婷色综合大香蕉| 青春草亚洲视频在线观看| 在现免费观看毛片| 亚洲精品一区蜜桃| 久久鲁丝午夜福利片| 日韩一本色道免费dvd| 国产爱豆传媒在线观看| 3wmmmm亚洲av在线观看| 高清av免费在线| 丰满少妇做爰视频| 在线观看免费高清a一片| 国产淫片久久久久久久久| 欧美xxxx黑人xx丫x性爽| 人人妻人人添人人爽欧美一区卜 | 亚洲欧美日韩另类电影网站 | 国产在线视频一区二区| 精品人妻偷拍中文字幕| 色吧在线观看| 国产成人免费无遮挡视频| 三级国产精品片| 美女中出高潮动态图| 精品国产一区二区三区久久久樱花 | 久久精品熟女亚洲av麻豆精品| 精品国产一区二区三区久久久樱花 | 波野结衣二区三区在线| 精品人妻视频免费看| 一边亲一边摸免费视频| 精品久久久久久久末码| 日韩亚洲欧美综合| 欧美成人精品欧美一级黄| 美女中出高潮动态图| av福利片在线观看| 国产精品无大码| 亚洲国产欧美人成| 18禁裸乳无遮挡免费网站照片| 欧美日韩亚洲高清精品| 一级毛片aaaaaa免费看小| 人妻 亚洲 视频| 成人美女网站在线观看视频| 国产成人精品一,二区| www.av在线官网国产| 国产 一区精品| 黑人猛操日本美女一级片| 亚洲精品国产av成人精品| 成年av动漫网址| www.av在线官网国产| 黄片无遮挡物在线观看| 青春草国产在线视频| 亚洲精品国产av蜜桃| 人人妻人人爽人人添夜夜欢视频 | 嘟嘟电影网在线观看| 久久毛片免费看一区二区三区| 肉色欧美久久久久久久蜜桃| 亚洲天堂av无毛| 在线观看国产h片| 免费在线观看成人毛片| 亚洲国产毛片av蜜桃av| 久久久久久久久久久免费av| 国产一区二区在线观看日韩| 久久人人爽av亚洲精品天堂 | www.av在线官网国产| 亚洲天堂av无毛| 超碰av人人做人人爽久久| 五月天丁香电影| 国产免费又黄又爽又色| 久久人妻熟女aⅴ| 少妇人妻 视频| 国产精品国产三级国产av玫瑰| 观看美女的网站| 三级国产精品片| 在线播放无遮挡| 婷婷色麻豆天堂久久| 久久影院123| 国产精品久久久久久精品电影小说 | 午夜免费观看性视频| 亚洲av二区三区四区| 精品国产三级普通话版| av国产精品久久久久影院| 狂野欧美白嫩少妇大欣赏| 精品一品国产午夜福利视频| 国产成人精品久久久久久| 自拍欧美九色日韩亚洲蝌蚪91 | 91在线精品国自产拍蜜月| 美女高潮的动态| 日韩,欧美,国产一区二区三区| 日本与韩国留学比较| 成人漫画全彩无遮挡| 亚洲成人一二三区av| 色5月婷婷丁香| 免费高清在线观看视频在线观看| 国国产精品蜜臀av免费| 亚洲国产精品成人久久小说| 免费看不卡的av| 日本与韩国留学比较| 久久青草综合色| 久久久久久久大尺度免费视频| 三级国产精品欧美在线观看| 91久久精品国产一区二区三区| 最近2019中文字幕mv第一页| 大又大粗又爽又黄少妇毛片口| 纵有疾风起免费观看全集完整版| 婷婷色综合大香蕉| 亚洲国产欧美人成| 国产精品一二三区在线看| 国产精品.久久久| 一本—道久久a久久精品蜜桃钙片| 18禁裸乳无遮挡免费网站照片| 免费少妇av软件| 日韩av不卡免费在线播放| 国产亚洲最大av| 欧美成人精品欧美一级黄| 在线精品无人区一区二区三 | 男人爽女人下面视频在线观看| 精品一区二区三卡| 欧美精品人与动牲交sv欧美| 一级毛片电影观看| 性色av一级| 国产男女超爽视频在线观看| 一级片'在线观看视频| 99热6这里只有精品| 内射极品少妇av片p| 成人国产麻豆网| 日本一二三区视频观看| 赤兔流量卡办理| 国产精品成人在线| 欧美成人a在线观看| 又黄又爽又刺激的免费视频.| 亚洲av日韩在线播放| 舔av片在线| 九九爱精品视频在线观看| 国产精品久久久久久久电影| 欧美少妇被猛烈插入视频| 啦啦啦啦在线视频资源| 成人免费观看视频高清| 日韩不卡一区二区三区视频在线| 一级毛片我不卡| 午夜免费观看性视频| 亚洲精品日韩av片在线观看| 天美传媒精品一区二区| 精品人妻一区二区三区麻豆| 人妻制服诱惑在线中文字幕| 少妇人妻 视频| 久久久色成人| 一个人看视频在线观看www免费| 国产伦精品一区二区三区视频9| 色婷婷久久久亚洲欧美| 亚洲精华国产精华液的使用体验| 久久精品久久久久久噜噜老黄| 我要看黄色一级片免费的| 少妇的逼水好多| 欧美bdsm另类| 在线免费十八禁| 国产探花极品一区二区| 色婷婷av一区二区三区视频| 亚洲国产色片| 日本黄色日本黄色录像| 日日撸夜夜添| 最近的中文字幕免费完整| 99re6热这里在线精品视频| 99久久精品热视频| 熟女人妻精品中文字幕| 成人高潮视频无遮挡免费网站| av免费在线看不卡| 人妻系列 视频| av卡一久久| 日本wwww免费看| 最近手机中文字幕大全| 久久久久久久亚洲中文字幕| 男人舔奶头视频| 国产成人免费无遮挡视频| 久久久a久久爽久久v久久| 亚洲精品日韩在线中文字幕| 美女福利国产在线 | 国产精品不卡视频一区二区| 少妇人妻 视频| 国产 精品1| 九草在线视频观看| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲精品日本国产第一区| 国产成人一区二区在线| 菩萨蛮人人尽说江南好唐韦庄| 婷婷色综合www| 日韩在线高清观看一区二区三区| 日韩不卡一区二区三区视频在线| 国产精品久久久久成人av| kizo精华| 久久99热这里只有精品18| 最近的中文字幕免费完整| 国产白丝娇喘喷水9色精品| 国产亚洲91精品色在线| 美女视频免费永久观看网站| 身体一侧抽搐| 国精品久久久久久国模美| 日韩视频在线欧美| 精品国产乱码久久久久久小说| 日本一二三区视频观看| 中文资源天堂在线| 色吧在线观看| 久久精品国产亚洲网站| 精品国产露脸久久av麻豆| 舔av片在线| 观看免费一级毛片| 亚洲精品aⅴ在线观看| 一区二区三区四区激情视频| 极品少妇高潮喷水抽搐| 国产极品天堂在线| 日本一二三区视频观看| 久久久精品免费免费高清| 在线观看一区二区三区| 精品人妻熟女av久视频| av天堂中文字幕网| 免费av中文字幕在线| 老熟女久久久| 国产极品天堂在线| 夜夜骑夜夜射夜夜干| 伦精品一区二区三区| 日韩制服骚丝袜av| 美女高潮的动态| 高清午夜精品一区二区三区| 一级毛片久久久久久久久女| 国产一区有黄有色的免费视频| 日韩精品有码人妻一区| 免费在线观看成人毛片| 精品熟女少妇av免费看| 91精品国产国语对白视频| 欧美变态另类bdsm刘玥| 日日撸夜夜添| 免费看日本二区| 国产精品偷伦视频观看了| 国产美女午夜福利| 日本-黄色视频高清免费观看| 偷拍熟女少妇极品色| 欧美97在线视频| 高清日韩中文字幕在线| 香蕉精品网在线| 久久久亚洲精品成人影院| 婷婷色综合www| 伦精品一区二区三区| 大码成人一级视频| 亚洲av在线观看美女高潮| 亚洲真实伦在线观看| 在现免费观看毛片| 成人免费观看视频高清| 欧美日韩视频高清一区二区三区二| 亚洲不卡免费看| 国产精品偷伦视频观看了| 国产精品一区www在线观看| 国产高清不卡午夜福利| 亚洲精品久久午夜乱码| 亚洲av成人精品一区久久| 亚洲欧美成人综合另类久久久| 国产 精品1| 国产成人精品久久久久久| 天天躁日日操中文字幕| 日本黄色日本黄色录像| 日韩强制内射视频| 久久国产精品男人的天堂亚洲 | 在线观看av片永久免费下载| 亚洲综合精品二区| 九草在线视频观看| 色视频在线一区二区三区| 久久精品熟女亚洲av麻豆精品| 久久99热这里只有精品18| 中文字幕制服av| 国产午夜精品久久久久久一区二区三区| 热99国产精品久久久久久7| 免费av不卡在线播放| 亚洲aⅴ乱码一区二区在线播放| 久久久久久久久久成人| 激情 狠狠 欧美| 少妇的逼水好多| 啦啦啦在线观看免费高清www| 少妇精品久久久久久久| 久久久成人免费电影| 欧美成人精品欧美一级黄| 男女啪啪激烈高潮av片| 大香蕉97超碰在线| 日本免费在线观看一区| 国产成人a∨麻豆精品| 在线精品无人区一区二区三 | 中文在线观看免费www的网站| 久久精品久久久久久噜噜老黄| 美女高潮的动态| 欧美精品人与动牲交sv欧美| 精品一区二区三区视频在线| 在线看a的网站| 美女cb高潮喷水在线观看| 欧美日韩综合久久久久久| 91久久精品国产一区二区成人| 不卡视频在线观看欧美| 亚洲av电影在线观看一区二区三区| 亚洲av中文字字幕乱码综合| 国产精品免费大片| 又黄又爽又刺激的免费视频.| 日韩三级伦理在线观看| 成人美女网站在线观看视频| 亚洲综合色惰| 涩涩av久久男人的天堂| 久久久成人免费电影| 高清毛片免费看| 菩萨蛮人人尽说江南好唐韦庄| 新久久久久国产一级毛片| 日本vs欧美在线观看视频 | 在线免费十八禁| 人妻夜夜爽99麻豆av| 亚洲av免费高清在线观看| 亚洲欧美一区二区三区黑人 | 久久亚洲国产成人精品v| 国产视频首页在线观看| 乱码一卡2卡4卡精品| 一本—道久久a久久精品蜜桃钙片| av黄色大香蕉| 各种免费的搞黄视频| 欧美一级a爱片免费观看看| 国产亚洲91精品色在线| 青春草视频在线免费观看| 有码 亚洲区| 午夜免费男女啪啪视频观看|