• <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 ?

    用于CD56圖像分割的細(xì)胞標(biāo)注精細(xì)化與自適應(yīng)加權(quán)損失*

    2022-05-27 02:05:42榕,伍欣,敖斌,文青,李
    關(guān)鍵詞:像素點(diǎn)陽性細(xì)胞類別

    劉 榕,伍 欣,敖 斌,文 青,李 寬

    (東莞理工學(xué)院網(wǎng)絡(luò)空間安全學(xué)院,廣東 東莞 523808)

    1 引言

    CD56是一種神經(jīng)細(xì)胞黏附分子,也是自然殺傷細(xì)胞的標(biāo)志物。神經(jīng)內(nèi)分泌組織及其腫瘤和少數(shù)淋巴瘤呈強(qiáng)陽性反應(yīng),也是食管小細(xì)胞癌的陽性標(biāo)志物。計(jì)算機(jī)醫(yī)學(xué)圖像處理領(lǐng)域?qū)D56圖像的研究剛剛起步。CD56是一種褐色的物質(zhì),它可使相關(guān)腫瘤的絕大部分癌細(xì)胞的細(xì)胞膜表現(xiàn)為陽性,醫(yī)生通過判斷某個(gè)細(xì)胞是陰性細(xì)胞還是陽性細(xì)胞,進(jìn)而推算出陰性細(xì)胞和陽性細(xì)胞的比例,以確定對(duì)癌癥患者用藥的劑量。圖1為CD56圖像,左下角為陽性細(xì)胞,右下角為陰性細(xì)胞。傳統(tǒng)的計(jì)算陰性細(xì)胞和陽性細(xì)胞比例的方法主要有:(1)醫(yī)生分別統(tǒng)計(jì)出圖像中陰性細(xì)胞和陽性細(xì)胞的具體數(shù)量,再計(jì)算出陰性細(xì)胞和陽性細(xì)胞的比例;(2)醫(yī)生根據(jù)自己的經(jīng)驗(yàn),通過觀察圖像大致估算出陰性細(xì)胞和陽性細(xì)胞的比例。方法(1)會(huì)消耗醫(yī)生大量的時(shí)間和精力,這種重復(fù)的工作完全可以交給計(jì)算機(jī)來完成。同時(shí),細(xì)胞分割的精度很大程度上取決于醫(yī)生的技巧和經(jīng)驗(yàn)[1],對(duì)于同一個(gè)細(xì)胞,不同的醫(yī)生可能把它劃分為不同的類別。方法(2)容易受到醫(yī)生的主觀性、醫(yī)生的認(rèn)知差異和疲勞與分心等因素的影響。面對(duì)相同的圖像,不同醫(yī)生估算出的陰性細(xì)胞和陽性細(xì)胞的比例可能差別很大。如果用藥的劑量過大會(huì)對(duì)癌癥患者的身體造成很大的副作用,如果用藥的劑量不足會(huì)導(dǎo)致無法抑制患者病情的發(fā)展,所以準(zhǔn)確地計(jì)算出病人體內(nèi)陰性細(xì)胞和陽性細(xì)胞的比例對(duì)疾病治療是至關(guān)重要的。

    Figure 1 CD56 image圖1 CD56圖像

    近年來,諸如語義分割的深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像處理等領(lǐng)域獲得了很好的應(yīng)用,能夠?qū)D像中的每個(gè)像素點(diǎn)進(jìn)行分類。將語義分割技術(shù)應(yīng)用于CD56圖像,可將統(tǒng)計(jì)陰陽細(xì)胞數(shù)量的比例轉(zhuǎn)化為統(tǒng)計(jì)陰陽細(xì)胞像素點(diǎn)個(gè)數(shù)的比例,從而實(shí)現(xiàn)從人工統(tǒng)計(jì)到計(jì)算機(jī)統(tǒng)計(jì)的轉(zhuǎn)變。但是,在CD56圖像中背景、陰性細(xì)胞和陽性細(xì)胞的像素點(diǎn)個(gè)數(shù)比例失衡,這會(huì)影響語義分割模型對(duì)CD56圖像的分割效果。

    本文在語義分割模型的損失函數(shù)中為不同類別的像素點(diǎn)添加不同的損失權(quán)重,并且對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重,緩解了類別不平衡的問題。此外,由于細(xì)胞數(shù)量很多,精細(xì)標(biāo)注費(fèi)時(shí)費(fèi)力,所以通常使用一個(gè)矩形框來標(biāo)注細(xì)胞。一個(gè)矩形框的標(biāo)注不僅包含一個(gè)細(xì)胞,而且還可能包含部分背景,這些標(biāo)注框中的背景像素會(huì)對(duì)語義分割模型的訓(xùn)練造成干擾。本文使用聚類的方法,將每個(gè)標(biāo)注框中的像素聚類成2個(gè)簇,再將屬于背景的那一簇像素點(diǎn)從標(biāo)注中去除,從而實(shí)現(xiàn)標(biāo)注的精細(xì)化。

    2 相關(guān)工作

    CD56圖像中細(xì)胞數(shù)量很多,如果沿著細(xì)胞的邊界精細(xì)地標(biāo)注出細(xì)胞會(huì)消耗大量的時(shí)間和精力,所以研究人員通常使用一個(gè)矩形框來標(biāo)注細(xì)胞。圖2為標(biāo)注好的CD56圖像,其中,“-”代表陰性細(xì)胞,“+”代表陽性細(xì)胞。

    Figure 2 Annotated CD56 image圖2 已標(biāo)注的CD56圖像

    通過訓(xùn)練集矩形框的標(biāo)注來預(yù)測測試集,這就是目標(biāo)檢測的任務(wù)。關(guān)于目標(biāo)檢測的研究,目前有雙階段的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)R-CNN(Region-Convolutional Neural Network)系列[2 -4]模型,該系列模型先產(chǎn)生一些待檢測框,再對(duì)檢測框進(jìn)行分類;有單階段的YOLO(You Only Look Once)系列[5 -7]模型,該系列模型將全圖劃分為格子,如果一個(gè)物體的中心正好位于某個(gè)方格之內(nèi),那么該方格就負(fù)責(zé)預(yù)測這個(gè)物體,并使用邊界框回歸得到檢測框的準(zhǔn)確位置和大??;有不需要錨框的CornerNet模型[8],該模型預(yù)測目標(biāo)的左上角和右下角2個(gè)點(diǎn),通過這2個(gè)點(diǎn)形成檢測框,從而檢測出物體。但是,在CD56圖像中,細(xì)胞面積較小,而目標(biāo)檢測模型對(duì)小目標(biāo)的檢測效果并不理想;并且細(xì)胞密集地貼在一起,甚至邊界都連在一起,這種情況下用目標(biāo)檢測無法準(zhǔn)確地檢測出細(xì)胞的個(gè)數(shù)。表1為Faster-RCNN模型、YOLOv3模型和CornerNet模型在CD56圖像數(shù)據(jù)集上的性能評(píng)估結(jié)果(表中Negative表示陰性細(xì)胞,Positive表示陽性細(xì)胞,AP50表示當(dāng)檢測框和標(biāo)注框的交并比的閾值設(shè)為0.5時(shí),模型對(duì)目標(biāo)進(jìn)行檢測的平均精度)。圖3為經(jīng)過CD56圖像數(shù)據(jù)訓(xùn)練的YOLOv3模型對(duì)2幅CD56圖像預(yù)測的效果。從表1可以看出,目標(biāo)檢測模型對(duì)CD56圖像的檢測效果并不理想,從圖3可以看出,YOLOv3模型對(duì)CD56圖像檢測時(shí)會(huì)遺漏許多細(xì)胞。

    Table 1 Performance of three object detection models on CD56 image dataset表1 3個(gè)目標(biāo)檢測模型在CD56圖像數(shù)據(jù)集上的性能

    Figure 3 CD56 image detection results using YOLOv3 model圖3 YOLOv3模型對(duì)CD56圖像的檢測結(jié)果

    語義分割能對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行分類,將語義分割模型應(yīng)用于CD56圖像,能將統(tǒng)計(jì)陰陽細(xì)胞數(shù)量的比例轉(zhuǎn)化為統(tǒng)計(jì)陰陽細(xì)胞像素點(diǎn)個(gè)數(shù)的比例。2015年,Long等[9]提出了全卷積網(wǎng)絡(luò)FCN(Fully Convolutional Network)模型,該模型是一種編碼器-解碼器結(jié)構(gòu),這是后來的語義分割模型主要采用的結(jié)構(gòu)之一。這種結(jié)構(gòu)先在編碼過程中通過卷積池化操作,獲取圖像的高維信息;再在解碼過程中通過上采樣操作,將編碼過程得到的特征圖逐步恢復(fù)到和輸入圖像相同的尺寸,從而對(duì)圖像的每個(gè)像素點(diǎn)進(jìn)行分類。為了保留圖像中的上下文空間信息,F(xiàn)CN在解碼過程中將淺層的特征圖和高層的特征圖進(jìn)行融合。同年,Ronneberger等[10]提出了U-Net模型,該模型應(yīng)用跳躍連接將編碼過程產(chǎn)生的特征圖和解碼過程產(chǎn)生的特征圖進(jìn)行拼接,使最后得到的特征圖既保留了圖像低維高分辨率的信息,又有圖像高維低分辨率的信息。U-Net被廣泛應(yīng)用于醫(yī)學(xué)圖像分割。2018年,Chen等[11]提出了DeepLabv3+模型,該模型通過條件隨機(jī)場來提高模型捕獲精細(xì)細(xì)節(jié)的能力;在最后幾個(gè)最大池化層用空洞卷積(Atrous Convolution)替代下采樣,以更高的采樣密度來計(jì)算特征圖;提出了空洞空間金字塔池化(Atrous Spatial Pyramid Pooling)結(jié)構(gòu),對(duì)給定輸入以不同采樣率的空洞卷積進(jìn)行采樣,從而能夠抽取豐富的多尺度上下文信息。2020年,Wu等[12]提出了一種輕量化語義分割模型——上下文引導(dǎo)網(wǎng)絡(luò)CGNet(Context Guided Network),CGNet主要由CG(Context Guided)塊構(gòu)建而成,CG塊可以學(xué)習(xí)局部特征和周圍環(huán)境上下文的聯(lián)合特征,最后通過引入全局上下文特征進(jìn)一步改善聯(lián)合特征的學(xué)習(xí)。

    CD56圖像上的標(biāo)注是矩形框,每個(gè)矩形框不僅包含一個(gè)細(xì)胞,而且還可能包含部分背景像素點(diǎn)。如果將圖像和原標(biāo)注放入語義分割模型中進(jìn)行訓(xùn)練,可能會(huì)影響模型對(duì)細(xì)胞像素點(diǎn)的判斷,比如會(huì)將細(xì)胞周圍的背景像素點(diǎn)也預(yù)測為細(xì)胞像素點(diǎn)。圖4為經(jīng)過CD56圖像和原標(biāo)注訓(xùn)練的U-Net模型對(duì)CD56圖像的預(yù)測結(jié)果。從圖4中可以看出,U-Net對(duì)每個(gè)細(xì)胞的預(yù)測結(jié)果十分接近矩形,不但包含細(xì)胞,而且還包含大量的背景像素點(diǎn),這使得計(jì)算陰陽細(xì)胞像素點(diǎn)的比例可能產(chǎn)生誤差,因此需要將一個(gè)標(biāo)注框內(nèi)的細(xì)胞像素和背景像素區(qū)分開來,即精細(xì)化細(xì)胞標(biāo)注。

    Li等[13]使用設(shè)置顏色閾值的方法,將細(xì)胞圖像中處于閾值內(nèi)的像素點(diǎn)作為感興趣區(qū)域ROI(Region Of Interest)提取出來,將處于閾值外的像素點(diǎn)作為干擾因素過濾掉。這種方法對(duì)CD56圖像不可行,因?yàn)樵贑D56圖像中,判斷一個(gè)細(xì)胞是不是陽性細(xì)胞,要看藍(lán)色的細(xì)胞周圍是否有褐色的CD56黏附著,設(shè)置顏色閾值的方法無法將陽性細(xì)胞和背景區(qū)分開來。在CD56圖像中,一個(gè)標(biāo)注框主要包含一個(gè)細(xì)胞的像素點(diǎn)和背景像素點(diǎn),細(xì)胞的像素點(diǎn)很接近,同時(shí)背景像素大多是簡單的白色,因此可以考慮用聚類的方法將每個(gè)標(biāo)注框中的細(xì)胞像素點(diǎn)和背景像素點(diǎn)聚成2個(gè)簇,從而將細(xì)胞像素點(diǎn)和背景像素點(diǎn)區(qū)分開來。

    Figure 4 Prediction results of CD56 image using the U-Net model trained by original annotations圖4 使用原標(biāo)注訓(xùn)練的U-Net模型對(duì)CD56圖像的預(yù)測結(jié)果

    關(guān)于不平衡樣本的研究,Lin等[14]于2017年提出了焦點(diǎn)損失(Focal Loss),使得模型更關(guān)注難以正確分類的樣本,減少對(duì)數(shù)量眾多且容易分類的樣本的關(guān)注。Law等[8]和Zhou等[15]將Focal Loss的變體用于物體關(guān)鍵點(diǎn)的預(yù)測。本文改進(jìn)了Focal Loss,使其更適用于CD56圖像的語義分割。

    3 方法描述

    3.1 細(xì)胞標(biāo)注精細(xì)化

    K-Means是一種實(shí)現(xiàn)簡單、效果不錯(cuò)的聚類算法,因此本文使用K-Means算法對(duì)CD56圖像數(shù)據(jù)集的標(biāo)注框中的像素點(diǎn)進(jìn)行聚類。K-Means算法的步驟如下:先將數(shù)據(jù)分為K組,隨機(jī)選取K個(gè)對(duì)象作為初始的聚類中心,然后計(jì)算每個(gè)對(duì)象與各個(gè)聚類中心之間的距離,把每個(gè)對(duì)象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對(duì)象就代表一個(gè)簇,這樣就能得到的K個(gè)簇。更新得到K個(gè)簇的聚類中心,再根據(jù)K個(gè)新的聚類中心得到K個(gè)新的簇。重復(fù)以上步驟,直到算法收斂。

    本文將CD56圖像訓(xùn)練集中所有圖像的所有陰性框中的像素點(diǎn)和所有陽性框中的像素點(diǎn)分別進(jìn)行聚類。在這2次聚類中,一個(gè)對(duì)象為一個(gè)像素點(diǎn)的RGB值構(gòu)成的數(shù)組,每次聚類將本次所有的對(duì)象分成2個(gè)簇。第1次聚類得到的2個(gè)簇為陰性細(xì)胞像素點(diǎn)和背景像素點(diǎn),第2次聚類得到的2個(gè)簇為陽性細(xì)胞像素點(diǎn)和背景像素點(diǎn),這樣就實(shí)現(xiàn)了細(xì)胞像素點(diǎn)和背景像素點(diǎn)的區(qū)分,從而實(shí)現(xiàn)細(xì)胞標(biāo)注的精細(xì)化。圖5展示了通過聚類對(duì)標(biāo)注精細(xì)化的結(jié)果。圖5a為CD56圖像原圖;圖5b為原標(biāo)注;圖5c為分別對(duì)所有陰性標(biāo)注框中的像素點(diǎn)和所有陽性標(biāo)注框中的像素點(diǎn)聚類的結(jié)果,對(duì)所有陰性標(biāo)注框中的像素點(diǎn)聚類得到的2個(gè)簇的像素點(diǎn)分別用灰度值60和120表示,對(duì)所有陽性標(biāo)注框中的像素點(diǎn)聚類得到的2個(gè)簇的像素點(diǎn)分別用灰度值180和240表示(即較暗的標(biāo)注框?yàn)殛幮约?xì)胞的標(biāo)注框,較亮的標(biāo)注框?yàn)殛栃约?xì)胞的標(biāo)注框);圖5c中灰度值為120和240的像素點(diǎn)是背景像素點(diǎn),灰度值為60的像素點(diǎn)是陰性細(xì)胞像素點(diǎn),灰度值為180的像素點(diǎn)是陽性細(xì)胞像素點(diǎn),將背景像素點(diǎn)、陰性細(xì)胞像素點(diǎn)和陽性細(xì)胞像素點(diǎn)的值分別設(shè)為0,120和240(即黑色區(qū)域?yàn)楸尘?,較暗的區(qū)域?yàn)殛幮约?xì)胞,較亮的區(qū)域?yàn)殛栃约?xì)胞),得到圖5d,即為對(duì)細(xì)胞標(biāo)注精細(xì)化后得到的新標(biāo)注。對(duì)比圖5b和圖5d可知,經(jīng)過聚類精細(xì)化后的標(biāo)注相比原標(biāo)注少了許多背景像素,甚至能將細(xì)胞精確地標(biāo)注出來。

    Figure 5 Results of annotations refined by clustering圖5 通過聚類對(duì)標(biāo)注精細(xì)化的結(jié)果

    3.2 類別權(quán)重計(jì)算

    Eigen等[16]針對(duì)語義分割中不同類別的像素點(diǎn)的不平衡提出了一種用類別像素點(diǎn)的頻率計(jì)算類別權(quán)重的方法,再將得到的類別權(quán)重加入交叉熵?fù)p失函數(shù)中。具體的權(quán)重計(jì)算公式如式(1)和式(2)所示:

    (1)

    (2)

    其中,median_freq表示所有類別像素點(diǎn)頻率的中值,freq(c)表示為類別c像素點(diǎn)的頻率,sum(c)表示訓(xùn)練集中類別c像素點(diǎn)的總數(shù),sum(Ic)表示訓(xùn)練集中所有含有類別c像素點(diǎn)的圖像的像素點(diǎn)的總數(shù)。在CD56圖像數(shù)據(jù)集中,背景和陽性細(xì)胞像素點(diǎn)的總數(shù)相差很大,用式(1)計(jì)算背景像素點(diǎn)的權(quán)重和陽性細(xì)胞像素點(diǎn)的權(quán)重也會(huì)相差很大,使得一些原本被正確預(yù)測為背景的像素點(diǎn)反而被錯(cuò)誤地預(yù)測為陽性細(xì)胞像素點(diǎn)。因此,本文用式(1)計(jì)算出類別權(quán)重之后,再對(duì)得到的類別權(quán)重開n次方根,得到最后的類別權(quán)重,如式(3)所示:

    (3)

    3.3 自適應(yīng)加權(quán)

    本文基于Focal Loss在損失函數(shù)中對(duì)每個(gè)像素點(diǎn)添加了一個(gè)自適應(yīng)權(quán)重。在二分類任務(wù)中,每個(gè)樣本的交叉熵?fù)p失的計(jì)算公式如式(4)所示:

    (4)

    其中,y∈{±1}表示樣本的標(biāo)簽值,p∈[0,1]表示模型預(yù)測樣本屬于類別1的概率。為了方便起見,定義py如式(5)所示:

    (5)

    則CE(p,y)=CE(py)=-log(py)。

    為了解決類不平衡問題,一種方法是在交叉熵?fù)p失中給類別1添加權(quán)重α∈[0,1],給類別-1添加權(quán)重1-α,類似定義py一樣定義αy,則用α平衡的交叉熵?fù)p失如式(6)所示:

    CE(py)=-αylog(py)

    (6)

    Focal Loss在交叉熵?fù)p失中加入了調(diào)制因子(1-py)γ:

    FL(py)=-(1-py)γlog(py)

    (7)

    其中γ≥0是稱為聚焦參數(shù)(Focusing Parameter)的超參數(shù)。

    從式(7)可以看出,模型對(duì)一個(gè)樣本預(yù)測的py越大,模型對(duì)其越容易正確預(yù)測,這時(shí)調(diào)制因子會(huì)給它賦予一個(gè)小權(quán)重,以減少模型對(duì)它的關(guān)注;反之,py越小,模型對(duì)其越難正確預(yù)測,這時(shí)調(diào)制因子會(huì)給它賦予一個(gè)大權(quán)重,以增加模型對(duì)它的關(guān)注,這樣調(diào)制因子就給樣本添加了一個(gè)自適應(yīng)的權(quán)重。本文實(shí)驗(yàn)中采用的是帶α平衡的Focal Loss的變體,如式(8)所示:

    FL(py)=-αy(1-py)γlog(py)

    (8)

    在多分類任務(wù)中,每個(gè)樣本的交叉熵?fù)p失的計(jì)算公式如式(9)所示:

    CE(py,y)=-log(py)

    (9)

    其中,y表示樣本的標(biāo)簽值,py∈[0,1]表示模型預(yù)測樣本屬于類別y的概率。類似式(8)可為式(9)添加自適應(yīng)權(quán)重,本文將αy替換成β,將γ的值設(shè)為1。其中,β>0不再是為了平衡調(diào)制因子(1-py)γ,而是為了控制調(diào)制因子的范圍;將γ的值設(shè)為1是因?yàn)樵趯?shí)驗(yàn)中其效果更好。故本文對(duì)CD56圖像像素點(diǎn)添加自適應(yīng)權(quán)重的公式如式(10)所示:

    AWCE(py,y)=-β(1-py)log(py)

    (10)

    4 實(shí)驗(yàn)與結(jié)果分析

    本文分別使用U-Net、DeepLabv3+和CGNet模型進(jìn)行了實(shí)驗(yàn),以驗(yàn)證細(xì)胞標(biāo)注精細(xì)化,對(duì)不同類別的像素點(diǎn)加權(quán)和對(duì)像素點(diǎn)自適應(yīng)加權(quán)在CD56圖像分割中的有效性。

    4.1 數(shù)據(jù)集

    本文使用的所有CD56圖像均來自某醫(yī)院,共有598幅圖像,原圖像的分辨率為1024×1024。將每幅圖像裁剪為4幅512×512的圖像,除去不含細(xì)胞的無效圖像,最終得到2 198幅圖像。本文實(shí)驗(yàn)采用5-折交叉驗(yàn)證,將所有圖像分成5組,前4組圖像每組包含440幅,最后一組圖像包含438幅。

    4.2 訓(xùn)練參數(shù)

    訓(xùn)練時(shí)采用Momentum[17]梯度下降優(yōu)化算法,初始學(xué)習(xí)率設(shè)為0.01,迭代次數(shù)設(shè)置為40 000。訓(xùn)練平臺(tái)為NVIDIA GeForce RTX 2080×1和NVIDIA GeForce RTX 3090×1,沒有經(jīng)過聚類處理的數(shù)據(jù)集在NVIDIA GeForce RTX 2080上進(jìn)行訓(xùn)練,經(jīng)過聚類處理的數(shù)據(jù)集在NVIDIA GeForce RTX 3090上進(jìn)行訓(xùn)練。

    4.3 測試結(jié)果評(píng)估

    4.3.1 細(xì)胞標(biāo)注精細(xì)化

    這組實(shí)驗(yàn)是為了驗(yàn)證細(xì)胞標(biāo)注精細(xì)化對(duì)CD56圖像分割的有效性。將訓(xùn)練集和原標(biāo)注與訓(xùn)練集和精細(xì)化后的標(biāo)注分別使用3個(gè)模型進(jìn)行訓(xùn)練,得到的性能評(píng)估結(jié)果如表2和表3所示??梢钥闯觯捎镁?xì)化后的標(biāo)注進(jìn)行訓(xùn)練能讓U-Net對(duì)陰陽細(xì)胞的測試Dice(Dice=(2*|X∩Y|)/(|X|+|Y|),其中,|X|表示模型對(duì)某類物體預(yù)測的像素點(diǎn)數(shù),|Y|表示該類物體實(shí)際標(biāo)注的像素點(diǎn)數(shù),|X∩Y|表示模型對(duì)該類物體預(yù)測正確的像素點(diǎn)數(shù))分別提升1.62%和3.92%,DeepLabv3+對(duì)陰陽細(xì)胞的測試Dice分別下降0.13%和提升2.79%,CGNet對(duì)陰陽細(xì)胞的測試Dice分別下降3.28%和上升2.89%??傮w來說,細(xì)胞標(biāo)注精細(xì)化對(duì)CD56圖像分割是有效的。

    圖6是用原細(xì)胞標(biāo)注和用精細(xì)化后的標(biāo)注分別進(jìn)行訓(xùn)練得到的模型對(duì)CD56圖像的預(yù)測結(jié)果。圖6a是用原細(xì)胞標(biāo)注進(jìn)行訓(xùn)練得到的模型對(duì)CD56圖像的預(yù)測結(jié)果,圖6b是用精細(xì)化后的標(biāo)注進(jìn)行訓(xùn)練得到的模型對(duì)CD56圖像的預(yù)測結(jié)果。可以看出,用原細(xì)胞標(biāo)注進(jìn)行訓(xùn)練得到的模型對(duì)細(xì)胞的預(yù)測十分接近矩形,包含大量的背景像素,而用精細(xì)化后的標(biāo)注進(jìn)行訓(xùn)練得到的模型對(duì)細(xì)胞的預(yù)測很吻合細(xì)胞的真實(shí)區(qū)域。

    Table 2 Performance evaluation results of models trained with original cell annotations表 2 用原細(xì)胞標(biāo)注進(jìn)行訓(xùn)練的模型性能評(píng)估結(jié)果

    Table 3 Performance evaluation results of models trained with refined annotations表3 用精細(xì)化后的標(biāo)注進(jìn)行訓(xùn)練的模型性能評(píng)估結(jié)果

    4.3.2 對(duì)類別添加權(quán)重

    這組實(shí)驗(yàn)是為了分別找到原標(biāo)注數(shù)據(jù)集和標(biāo)注精細(xì)化后的數(shù)據(jù)集在3個(gè)模型上合適的權(quán)重,方法為根據(jù)式(3)計(jì)算獲得。對(duì)于原標(biāo)注數(shù)據(jù)集,當(dāng)式(3)中的n=1時(shí)得到類別權(quán)重比為背景∶陰性細(xì)胞∶陽性細(xì)胞=0.3405∶1∶12.9120(后面提到的類別權(quán)重比均為背景∶陰性細(xì)胞∶陽性細(xì)胞)。當(dāng)用于標(biāo)注精細(xì)化后的數(shù)據(jù)集,式(3)中的n=1時(shí)得到類別權(quán)重比為背景∶陰性細(xì)胞∶陽性細(xì)胞=0.1567∶1∶10.5778??梢钥闯觯?dāng)式(3)中的n=1時(shí),計(jì)算得出的背景和陽性細(xì)胞的權(quán)重相差太大,這會(huì)使得一些原本被正確預(yù)測為背景的像素點(diǎn)反而被錯(cuò)誤地預(yù)測為陽性細(xì)胞,所以本文從n=2開始計(jì)算類別權(quán)重比,n逐次加1,直到模型在數(shù)據(jù)集上的性能評(píng)估指標(biāo)下降。表4為類別權(quán)重不同時(shí)3個(gè)模型在原標(biāo)注數(shù)據(jù)集上的性能評(píng)估結(jié)果。表5為類別權(quán)重不同時(shí)3個(gè)模型在標(biāo)注精細(xì)化后的數(shù)據(jù)集上的性能評(píng)估結(jié)果。

    Table 4 The performance of the three models on the original annotated dataset with different class weights表 4 類別權(quán)重不同時(shí)3個(gè)模型在原標(biāo)注數(shù)據(jù)集上的性能

    從表4可知,在獲得的權(quán)重比中,原標(biāo)注數(shù)據(jù)集在3個(gè)模型上的最佳類別權(quán)重比分別為式(3)中n=3時(shí)計(jì)算的值(0.6983∶1∶2.3460),n=4時(shí)計(jì)算的值(0.7639∶1∶1.8956)和n=5時(shí)計(jì)算的值(0.8161∶1∶1.6680)。從表5可知,在獲得的權(quán)重比中,經(jīng)過標(biāo)注精細(xì)化后的數(shù)據(jù)集在3個(gè)模型上的最佳類別權(quán)重比分別為式(3)中n=4時(shí)計(jì)算的值(0.6292∶1∶1.8034),n=5時(shí)計(jì)算的值(0.6903∶1∶1.6028)和n=4時(shí)計(jì)算的值(0.6292∶1∶1.8034)。本文分別選取這些類別權(quán)重比進(jìn)行下一組實(shí)驗(yàn)。

    Table 5 The performance of the three models on the refined annotated dataset with different class weights表5 類別權(quán)重不同時(shí)3個(gè)模型在標(biāo)注精細(xì)化后的數(shù)據(jù)集上的性能

    4.3.3 對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重

    這組實(shí)驗(yàn)是為了驗(yàn)證對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重對(duì)CD56圖像分割的有效性。實(shí)驗(yàn)采用原標(biāo)注數(shù)據(jù)集和經(jīng)過標(biāo)注精細(xì)化后的數(shù)據(jù)集分別在3個(gè)模型上進(jìn)行訓(xùn)練,在訓(xùn)練之前給類別添加上組實(shí)驗(yàn)中對(duì)應(yīng)的權(quán)重,對(duì)比不對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重和對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重的性能。對(duì)像素點(diǎn)添加的自適應(yīng)權(quán)重由式(10)中的β取不同值獲得,結(jié)果如表6和表7所示,表中的β是在實(shí)驗(yàn)中得到的對(duì)應(yīng)類別權(quán)重的最佳值。

    從表6可以看出,在原標(biāo)注數(shù)據(jù)集上,對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重相比不對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重進(jìn)行訓(xùn)練,能讓U-Net對(duì)陰陽細(xì)胞的測試Dice分別提升0.07%和0.75%,DeepLabv3+對(duì)陰陽細(xì)胞的測試Dice分別提升0.27%和0.01%,CGNet對(duì)陰陽細(xì)胞的測試Dice分別下降0.18%和上升0.34%。從表7可以看出,在標(biāo)注精細(xì)化后的數(shù)據(jù)集上,對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重比不對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重進(jìn)行訓(xùn)練,能讓U-Net對(duì)陰陽細(xì)胞的測試Dice分別提升0.2%和1.91%,DeepLabv3+對(duì)陰陽細(xì)胞的測試Dice分別提升0.35%和0.22%,CGNet對(duì)陰陽細(xì)胞的測試Dice分別下降0.14%和上升0.58%。CGNet的CG塊不僅學(xué)習(xí)局部特征,還學(xué)習(xí)周圍環(huán)境的上下文特征;而對(duì)每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重強(qiáng)調(diào)的是局部特征,沒有涉及到上下文特征,由此可能造成CGNet對(duì)陰性細(xì)胞的測試Dice的下降。但是總體來說,給每個(gè)像素點(diǎn)添加自適應(yīng)權(quán)重對(duì)CD56圖像分割是有效的。

    Table 6 Performance without or with adding adaptive weights to the pixels on the original annotated dataset表6 不對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重和對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重在原標(biāo)注數(shù)據(jù)集上的性能

    Table 7 Performance without or with adding adaptive weights to the pixels on the refined annotated dataset表7 不對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重和對(duì)像素點(diǎn)添加自適應(yīng)權(quán)重在標(biāo)注精細(xì)化后的數(shù)據(jù)集上的性能

    5 結(jié)束語

    本文以CD56圖像為主要研究對(duì)象,基于深度學(xué)習(xí)中的語義分割技術(shù)實(shí)現(xiàn)對(duì)CD56圖像像素級(jí)別的分割,以輔助醫(yī)療診斷。本文使用聚類的方法對(duì)原CD56圖像數(shù)據(jù)集的標(biāo)注進(jìn)行精細(xì)化處理,對(duì)數(shù)據(jù)集中不同類別的像素點(diǎn)進(jìn)行加權(quán)并對(duì)數(shù)據(jù)集中所有像素點(diǎn)進(jìn)行自適應(yīng)加權(quán),在U-Net、DeepLabv3+和CGNet 3個(gè)模型上進(jìn)行了實(shí)驗(yàn),驗(yàn)證了方法的有效性。實(shí)驗(yàn)結(jié)果顯示,在3個(gè)模型上,使用聚類的方法對(duì)原CD56圖像數(shù)據(jù)集的標(biāo)注進(jìn)行細(xì)化、對(duì)數(shù)據(jù)集中不同類別的像素點(diǎn)進(jìn)行加權(quán)并對(duì)數(shù)據(jù)集中所有像素點(diǎn)進(jìn)行自適應(yīng)加權(quán)比原始數(shù)據(jù)集、原始模型的陰陽細(xì)胞的Dice指標(biāo)分別提升了1.94%和7.34%,0.54%和4.31%,-2.54%和3.5%。在以后的工作中,我們將獲取更多的CD56圖像,并應(yīng)用數(shù)據(jù)增強(qiáng)等技術(shù)以解決數(shù)據(jù)集規(guī)模小、數(shù)據(jù)不平衡的問題,以進(jìn)一步提高對(duì)CD56圖像的分割精度。此外,本文應(yīng)用語義分割技術(shù)實(shí)現(xiàn)對(duì)CD56圖像像素級(jí)別的分割,統(tǒng)計(jì)的是陰性細(xì)胞和陽性細(xì)胞像素點(diǎn)個(gè)數(shù)的比例,并沒有直接對(duì)細(xì)胞的個(gè)數(shù)進(jìn)行統(tǒng)計(jì),這也是今后工作的一個(gè)方向。

    猜你喜歡
    像素點(diǎn)陽性細(xì)胞類別
    基于canvas的前端數(shù)據(jù)加密
    基于逐像素點(diǎn)深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
    大口黑鱸鰓黏液細(xì)胞的組織化學(xué)特征及5-HT免疫反應(yīng)陽性細(xì)胞的分布
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
    論類別股東會(huì)
    商事法論集(2014年1期)2014-06-27 01:20:42
    人胎腦額葉和海馬中星形膠質(zhì)細(xì)胞的發(fā)育性變化
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    聚合酶鏈?zhǔn)椒磻?yīng)快速鑒別5種常見肉類別
    急性白血病免疫表型及陽性細(xì)胞比例分析
    精品久久久精品久久久| 午夜免费激情av| 久久久久久国产a免费观看| avwww免费| 午夜福利18| 人人妻,人人澡人人爽秒播| 久久欧美精品欧美久久欧美| 国产亚洲精品久久久久久毛片| 香蕉久久夜色| 国产熟女xx| 一级黄色大片毛片| 悠悠久久av| 女性被躁到高潮视频| www日本在线高清视频| 欧美日韩精品网址| 91精品国产国语对白视频| 欧美久久黑人一区二区| 中文字幕最新亚洲高清| 欧美大码av| 色综合欧美亚洲国产小说| 欧美日韩一级在线毛片| 午夜老司机福利片| 亚洲欧美激情综合另类| 老司机午夜十八禁免费视频| 操出白浆在线播放| 精品一区二区三区四区五区乱码| 久久人人爽av亚洲精品天堂| 亚洲精品在线美女| 日韩精品免费视频一区二区三区| 制服丝袜大香蕉在线| 亚洲成av人片免费观看| 亚洲情色 制服丝袜| 老司机在亚洲福利影院| avwww免费| 免费看美女性在线毛片视频| 欧美成人免费av一区二区三区| 日日摸夜夜添夜夜添小说| 亚洲中文字幕日韩| 欧美黄色片欧美黄色片| tocl精华| 可以在线观看毛片的网站| 麻豆成人av在线观看| 国产97色在线日韩免费| 午夜免费鲁丝| 999久久久精品免费观看国产| 在线观看免费视频网站a站| 天天添夜夜摸| 少妇的丰满在线观看| 99久久99久久久精品蜜桃| 老熟妇仑乱视频hdxx| 国产91精品成人一区二区三区| 男女下面插进去视频免费观看| 操美女的视频在线观看| 无限看片的www在线观看| 亚洲专区中文字幕在线| 亚洲熟妇熟女久久| 色播亚洲综合网| 亚洲九九香蕉| 波多野结衣巨乳人妻| 日日摸夜夜添夜夜添小说| 美女国产高潮福利片在线看| 久久精品亚洲精品国产色婷小说| 女人爽到高潮嗷嗷叫在线视频| 50天的宝宝边吃奶边哭怎么回事| 中文字幕高清在线视频| 少妇 在线观看| 波多野结衣av一区二区av| 色综合站精品国产| 国内精品久久久久久久电影| 久久精品国产综合久久久| 不卡一级毛片| 免费在线观看完整版高清| 99riav亚洲国产免费| 国产精品永久免费网站| 在线观看66精品国产| 日韩精品免费视频一区二区三区| 视频在线观看一区二区三区| 91大片在线观看| 久久香蕉精品热| 一区福利在线观看| 亚洲人成电影观看| 国产成人av激情在线播放| 亚洲电影在线观看av| 宅男免费午夜| 欧美色视频一区免费| 黑人欧美特级aaaaaa片| 日本免费一区二区三区高清不卡 | 日韩欧美国产在线观看| 妹子高潮喷水视频| 亚洲人成77777在线视频| 久久这里只有精品19| 丁香六月欧美| 伊人久久大香线蕉亚洲五| 欧美黄色片欧美黄色片| 欧美日韩福利视频一区二区| 成人精品一区二区免费| 亚洲欧美日韩无卡精品| 免费看美女性在线毛片视频| 狂野欧美激情性xxxx| 女人爽到高潮嗷嗷叫在线视频| 国产精品影院久久| 免费高清在线观看日韩| av片东京热男人的天堂| 国产成人免费无遮挡视频| 亚洲国产欧美日韩在线播放| 国产精品一区二区三区四区久久 | 午夜精品久久久久久毛片777| 国产片内射在线| 亚洲午夜精品一区,二区,三区| 美女免费视频网站| 99国产精品一区二区蜜桃av| 法律面前人人平等表现在哪些方面| 一级黄色大片毛片| 久久久久久大精品| 亚洲avbb在线观看| 免费在线观看影片大全网站| 黄频高清免费视频| 丰满人妻熟妇乱又伦精品不卡| 欧美成人午夜精品| 国产黄a三级三级三级人| 久久这里只有精品19| 老司机深夜福利视频在线观看| 午夜a级毛片| 这个男人来自地球电影免费观看| 精品久久久久久久人妻蜜臀av | 波多野结衣一区麻豆| 亚洲中文日韩欧美视频| 国产精品香港三级国产av潘金莲| 大香蕉久久成人网| 国产亚洲精品一区二区www| 免费少妇av软件| 亚洲五月天丁香| 黄色a级毛片大全视频| 日韩免费av在线播放| 俄罗斯特黄特色一大片| 日本在线视频免费播放| 亚洲全国av大片| 欧美激情高清一区二区三区| 两个人看的免费小视频| 国产男靠女视频免费网站| а√天堂www在线а√下载| 欧美国产日韩亚洲一区| 日韩精品中文字幕看吧| 日韩 欧美 亚洲 中文字幕| 男女床上黄色一级片免费看| 国产主播在线观看一区二区| 亚洲一区二区三区色噜噜| 国产免费av片在线观看野外av| 大陆偷拍与自拍| 欧美日韩亚洲国产一区二区在线观看| 欧美激情久久久久久爽电影 | 91精品三级在线观看| 老鸭窝网址在线观看| 日本vs欧美在线观看视频| 日韩大尺度精品在线看网址 | 美女高潮喷水抽搐中文字幕| 啪啪无遮挡十八禁网站| www国产在线视频色| 亚洲精品一卡2卡三卡4卡5卡| 亚洲成人精品中文字幕电影| 黄色视频不卡| 国产色视频综合| 国产欧美日韩综合在线一区二区| 怎么达到女性高潮| 色老头精品视频在线观看| 亚洲av成人不卡在线观看播放网| 国产亚洲欧美在线一区二区| 三级毛片av免费| 免费女性裸体啪啪无遮挡网站| e午夜精品久久久久久久| 色av中文字幕| 757午夜福利合集在线观看| 自线自在国产av| 国产精品,欧美在线| 夜夜爽天天搞| 久久久久久亚洲精品国产蜜桃av| 亚洲三区欧美一区| 国产精品一区二区三区四区久久 | 国产一区二区三区在线臀色熟女| 午夜精品在线福利| 久久影院123| 曰老女人黄片| 国产精品,欧美在线| 老鸭窝网址在线观看| 怎么达到女性高潮| 国产一区二区三区视频了| 国产蜜桃级精品一区二区三区| 精品国产乱码久久久久久男人| 非洲黑人性xxxx精品又粗又长| 91老司机精品| 妹子高潮喷水视频| 国产私拍福利视频在线观看| a级毛片在线看网站| 色尼玛亚洲综合影院| 精品第一国产精品| 99国产精品99久久久久| 美女扒开内裤让男人捅视频| 国产精品久久电影中文字幕| 九色国产91popny在线| 欧美 亚洲 国产 日韩一| 成人国产综合亚洲| 欧美激情久久久久久爽电影 | 国产精品98久久久久久宅男小说| 国产免费男女视频| 女性被躁到高潮视频| 午夜福利视频1000在线观看 | 窝窝影院91人妻| 欧美色欧美亚洲另类二区 | 欧洲精品卡2卡3卡4卡5卡区| 操美女的视频在线观看| 久久午夜亚洲精品久久| 真人一进一出gif抽搐免费| 国产午夜福利久久久久久| 亚洲 欧美 日韩 在线 免费| 欧美成人午夜精品| 日韩成人在线观看一区二区三区| 淫秽高清视频在线观看| 亚洲国产精品999在线| 黑丝袜美女国产一区| 在线观看免费午夜福利视频| 一本综合久久免费| 在线观看一区二区三区| 欧美色欧美亚洲另类二区 | 国产真人三级小视频在线观看| 免费搜索国产男女视频| 成人18禁高潮啪啪吃奶动态图| 国产精品影院久久| 日本免费a在线| 国产成人欧美在线观看| 18禁观看日本| 欧美激情高清一区二区三区| 午夜免费激情av| 人人澡人人妻人| 午夜精品久久久久久毛片777| 午夜福利,免费看| 美女大奶头视频| 两个人免费观看高清视频| 国产免费av片在线观看野外av| 一区福利在线观看| 国产一区二区三区综合在线观看| 琪琪午夜伦伦电影理论片6080| 国产精品九九99| 18禁美女被吸乳视频| 亚洲人成电影观看| 18禁黄网站禁片午夜丰满| 一本久久中文字幕| 久久久久国产一级毛片高清牌| 色婷婷久久久亚洲欧美| 午夜a级毛片| 日本一区二区免费在线视频| 91在线观看av| 乱人伦中国视频| 视频区欧美日本亚洲| 国产国语露脸激情在线看| 久久伊人香网站| 欧美另类亚洲清纯唯美| 久久久久久国产a免费观看| 91精品三级在线观看| 免费女性裸体啪啪无遮挡网站| videosex国产| 欧美在线一区亚洲| 亚洲一码二码三码区别大吗| 又大又爽又粗| 两人在一起打扑克的视频| netflix在线观看网站| 婷婷六月久久综合丁香| 午夜免费激情av| 操美女的视频在线观看| 国产成人精品久久二区二区免费| 日韩 欧美 亚洲 中文字幕| av天堂久久9| 精品熟女少妇八av免费久了| 91在线观看av| 精品一品国产午夜福利视频| 老司机午夜福利在线观看视频| 一边摸一边抽搐一进一出视频| 99re在线观看精品视频| 最近最新免费中文字幕在线| 成人18禁高潮啪啪吃奶动态图| 午夜福利18| 国产成人精品久久二区二区91| 久久久久国产一级毛片高清牌| 777久久人妻少妇嫩草av网站| 国产91精品成人一区二区三区| 69精品国产乱码久久久| 精品第一国产精品| 国产一卡二卡三卡精品| 亚洲国产中文字幕在线视频| 精品一区二区三区视频在线观看免费| а√天堂www在线а√下载| 亚洲精品国产色婷婷电影| 悠悠久久av| 亚洲九九香蕉| 亚洲一区二区三区不卡视频| 一区二区日韩欧美中文字幕| 99香蕉大伊视频| 欧美乱色亚洲激情| avwww免费| 欧美中文日本在线观看视频| 国产视频一区二区在线看| 亚洲精品粉嫩美女一区| 亚洲欧美精品综合久久99| 女性被躁到高潮视频| 国产精品av久久久久免费| 成人三级做爰电影| 免费在线观看影片大全网站| 亚洲一码二码三码区别大吗| 精品第一国产精品| 国产蜜桃级精品一区二区三区| 99精品久久久久人妻精品| 中文字幕精品免费在线观看视频| 亚洲成人国产一区在线观看| 亚洲免费av在线视频| 一进一出抽搐gif免费好疼| 国产av精品麻豆| 欧美日韩亚洲国产一区二区在线观看| 午夜视频精品福利| 日本a在线网址| 国产激情久久老熟女| 国产在线观看jvid| 99精品久久久久人妻精品| 国产伦一二天堂av在线观看| 欧美黑人精品巨大| 亚洲人成电影观看| 中文字幕精品免费在线观看视频| 一区福利在线观看| 精品一区二区三区四区五区乱码| 婷婷精品国产亚洲av在线| 欧美在线一区亚洲| 国产99久久九九免费精品| 亚洲伊人色综图| 久久亚洲真实| 老司机福利观看| 波多野结衣av一区二区av| 老汉色av国产亚洲站长工具| 欧美成人免费av一区二区三区| 久久久久久免费高清国产稀缺| 成人免费观看视频高清| 午夜久久久久精精品| 国产午夜福利久久久久久| www.www免费av| 一区二区三区国产精品乱码| 国产91精品成人一区二区三区| 久99久视频精品免费| 亚洲精品在线美女| 免费女性裸体啪啪无遮挡网站| 国产精品 欧美亚洲| 91字幕亚洲| 黄频高清免费视频| 黄色a级毛片大全视频| 男女午夜视频在线观看| 制服诱惑二区| 亚洲精品av麻豆狂野| 久久久水蜜桃国产精品网| 在线av久久热| 麻豆成人av在线观看| 琪琪午夜伦伦电影理论片6080| 在线观看免费午夜福利视频| 午夜视频精品福利| 1024视频免费在线观看| 午夜日韩欧美国产| 黄色女人牲交| www.熟女人妻精品国产| av中文乱码字幕在线| 中国美女看黄片| 国产精品电影一区二区三区| av有码第一页| 午夜精品久久久久久毛片777| 亚洲精品国产一区二区精华液| 视频区欧美日本亚洲| 18美女黄网站色大片免费观看| 精品久久久久久久久久免费视频| 久久国产精品男人的天堂亚洲| 成年人黄色毛片网站| 国产亚洲精品av在线| 国产av一区二区精品久久| 国内精品久久久久久久电影| 国产精品久久久久久亚洲av鲁大| 18禁裸乳无遮挡免费网站照片 | 久久精品国产亚洲av高清一级| 中文字幕久久专区| 国产又爽黄色视频| 久久久久国产一级毛片高清牌| 不卡一级毛片| 色播亚洲综合网| 国产精品久久电影中文字幕| 亚洲欧美日韩无卡精品| 精品一区二区三区四区五区乱码| 一级黄色大片毛片| 丝袜美腿诱惑在线| 少妇熟女aⅴ在线视频| 无遮挡黄片免费观看| 国产成人精品久久二区二区91| 精品第一国产精品| 纯流量卡能插随身wifi吗| 免费女性裸体啪啪无遮挡网站| 91老司机精品| 99国产精品免费福利视频| 精品欧美一区二区三区在线| 日韩免费av在线播放| 夜夜爽天天搞| 中文字幕高清在线视频| 亚洲久久久国产精品| 性欧美人与动物交配| 999久久久精品免费观看国产| 国产成年人精品一区二区| 亚洲在线自拍视频| 男人舔女人下体高潮全视频| 黑丝袜美女国产一区| 美女大奶头视频| 人人妻人人爽人人添夜夜欢视频| 国产成人影院久久av| 亚洲欧洲精品一区二区精品久久久| 窝窝影院91人妻| 亚洲一区二区三区色噜噜| 免费av毛片视频| 少妇裸体淫交视频免费看高清 | 国产精品永久免费网站| 午夜影院日韩av| 香蕉国产在线看| 一本大道久久a久久精品| 亚洲午夜理论影院| 国产精品一区二区三区四区久久 | 久久天堂一区二区三区四区| 欧美中文日本在线观看视频| 日韩精品免费视频一区二区三区| 国产精品亚洲av一区麻豆| 麻豆久久精品国产亚洲av| 免费搜索国产男女视频| 亚洲三区欧美一区| 大型av网站在线播放| 99国产精品99久久久久| 久久精品影院6| 久久久久国产一级毛片高清牌| 午夜福利欧美成人| videosex国产| 窝窝影院91人妻| 国产精品久久久久久精品电影 | 中文字幕色久视频| 精品国产亚洲在线| 亚洲精华国产精华精| 中文字幕av电影在线播放| 日本精品一区二区三区蜜桃| www国产在线视频色| 精品电影一区二区在线| 在线观看午夜福利视频| 国产伦一二天堂av在线观看| 国产精品爽爽va在线观看网站 | 亚洲第一电影网av| 国产av在哪里看| tocl精华| 老司机深夜福利视频在线观看| 免费在线观看完整版高清| 精品午夜福利视频在线观看一区| 日本五十路高清| 亚洲成av人片免费观看| 丁香欧美五月| 中文字幕人妻熟女乱码| 国产精品亚洲一级av第二区| av超薄肉色丝袜交足视频| 亚洲av片天天在线观看| 在线免费观看的www视频| 欧美一级毛片孕妇| 日韩欧美国产一区二区入口| 欧美日韩亚洲综合一区二区三区_| 国产aⅴ精品一区二区三区波| 国产真人三级小视频在线观看| e午夜精品久久久久久久| 大型黄色视频在线免费观看| 久久精品国产亚洲av高清一级| 国产视频一区二区在线看| 啪啪无遮挡十八禁网站| 国产精品国产高清国产av| 久久性视频一级片| 亚洲人成网站在线播放欧美日韩| 午夜福利在线观看吧| 女人被躁到高潮嗷嗷叫费观| 高清毛片免费观看视频网站| 国产精品一区二区精品视频观看| 日本a在线网址| 看免费av毛片| 制服丝袜大香蕉在线| 中文字幕高清在线视频| 国产精品一区二区三区四区久久 | 国产亚洲av嫩草精品影院| 色婷婷久久久亚洲欧美| 香蕉丝袜av| 黑人巨大精品欧美一区二区mp4| 国产成人精品无人区| 成人永久免费在线观看视频| 国产一区在线观看成人免费| 夜夜躁狠狠躁天天躁| 91麻豆精品激情在线观看国产| 精品欧美一区二区三区在线| 久久人人精品亚洲av| 午夜成年电影在线免费观看| 啦啦啦免费观看视频1| aaaaa片日本免费| 女人被躁到高潮嗷嗷叫费观| 精品久久蜜臀av无| 婷婷精品国产亚洲av在线| 18禁黄网站禁片午夜丰满| 亚洲三区欧美一区| 老司机午夜十八禁免费视频| 欧美+亚洲+日韩+国产| 国产精品美女特级片免费视频播放器 | 1024香蕉在线观看| 欧美黑人欧美精品刺激| 日韩有码中文字幕| 成人永久免费在线观看视频| 黄色视频,在线免费观看| 成人欧美大片| 久久精品国产亚洲av香蕉五月| 国产在线精品亚洲第一网站| 久久婷婷人人爽人人干人人爱 | 亚洲自偷自拍图片 自拍| 日韩视频一区二区在线观看| 丝袜美足系列| 久久精品人人爽人人爽视色| xxx96com| 大陆偷拍与自拍| 韩国av一区二区三区四区| 午夜福利免费观看在线| 99精品在免费线老司机午夜| 精品国产乱码久久久久久男人| 99久久99久久久精品蜜桃| 成人免费观看视频高清| 国产成人精品久久二区二区免费| 亚洲国产精品成人综合色| 欧美精品啪啪一区二区三区| 免费女性裸体啪啪无遮挡网站| 一本大道久久a久久精品| 国产成人影院久久av| 一级黄色大片毛片| 中国美女看黄片| 国产精品亚洲一级av第二区| 一级片免费观看大全| 欧美日韩瑟瑟在线播放| 久久人妻福利社区极品人妻图片| 91九色精品人成在线观看| 99re在线观看精品视频| 国产成人欧美在线观看| 久久久国产欧美日韩av| 女人精品久久久久毛片| 精品一区二区三区视频在线观看免费| 狂野欧美激情性xxxx| 亚洲国产精品999在线| 首页视频小说图片口味搜索| 亚洲成人国产一区在线观看| 91老司机精品| 黄色视频不卡| 国产精品98久久久久久宅男小说| 最近最新免费中文字幕在线| 97人妻天天添夜夜摸| 亚洲黑人精品在线| 日韩欧美国产一区二区入口| 桃色一区二区三区在线观看| 97人妻精品一区二区三区麻豆 | 亚洲国产精品sss在线观看| 久久伊人香网站| 国产一卡二卡三卡精品| 50天的宝宝边吃奶边哭怎么回事| 国产主播在线观看一区二区| 亚洲av成人一区二区三| 成在线人永久免费视频| 91九色精品人成在线观看| 国产色视频综合| 精品一区二区三区视频在线观看免费| 性色av乱码一区二区三区2| 中出人妻视频一区二区| 日韩欧美在线二视频| 精品国产超薄肉色丝袜足j| 日韩欧美免费精品| 国产人伦9x9x在线观看| 嫩草影视91久久| 亚洲第一欧美日韩一区二区三区| 国产精品98久久久久久宅男小说| 国产一区二区三区综合在线观看| 人人妻人人澡人人看| 激情视频va一区二区三区| 久久人妻福利社区极品人妻图片| 国产av一区在线观看免费| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩一级在线毛片| 97碰自拍视频| 97超级碰碰碰精品色视频在线观看| 最好的美女福利视频网| 9色porny在线观看| 久久香蕉国产精品| 国产精品野战在线观看| 久久天躁狠狠躁夜夜2o2o| 欧美成人午夜精品| 国产亚洲av嫩草精品影院| 国产成人欧美| 欧美人与性动交α欧美精品济南到| 老熟妇乱子伦视频在线观看| 国产成人系列免费观看| 亚洲国产欧美一区二区综合| 99精品在免费线老司机午夜| 亚洲,欧美精品.| 免费搜索国产男女视频| av电影中文网址| 男女床上黄色一级片免费看| 欧美日韩亚洲国产一区二区在线观看| 一本综合久久免费| 国产私拍福利视频在线观看| x7x7x7水蜜桃| 欧美精品亚洲一区二区| 国产黄a三级三级三级人| 女警被强在线播放| 色哟哟哟哟哟哟| 国产成人精品无人区| 亚洲午夜理论影院| 欧美黑人欧美精品刺激| www.熟女人妻精品国产|