• <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 ?

    基于多尺度高階注意力機制的視網(wǎng)膜血管分割①

    2022-11-07 09:08:32姜璐璐李思聰曹加旺孫司琦鄒海東
    計算機系統(tǒng)應(yīng)用 2022年10期
    關(guān)鍵詞:特征

    姜璐璐,李思聰,曹加旺,孫司琦,馮 瑞,,鄒海東,4

    1(復(fù)旦大學(xué) 工程與應(yīng)用技術(shù)研究院,上海 200433)

    2(上海交通大學(xué)附屬第一人民醫(yī)院,上海 200080)

    3(復(fù)旦大學(xué) 計算機科學(xué)技術(shù)學(xué)院,上海 200433)

    4(蘇州市產(chǎn)業(yè)技術(shù)研究院,蘇州 215011)

    1 引言

    血管系統(tǒng)是視網(wǎng)膜的基本結(jié)構(gòu),其形態(tài)學(xué)和拓?fù)浣Y(jié)構(gòu)的變化可以用來識別和分類系統(tǒng)性代謝和血液疾病的嚴(yán)重程度,例如糖尿病和高血壓[1].糖尿病性視網(wǎng)膜病變 (DR)是糖尿病的一種常見并發(fā)癥,是由視網(wǎng)膜微血管滲漏和阻塞導(dǎo)致的一系列眼底病變.DR 可引起新血管的生長,是否有異常新生血管也是判斷增殖性DR 與非增殖性DR 的標(biāo)準(zhǔn)[2].高血壓視網(wǎng)膜病變 (HR)是另一種常見的由高血壓引起的視網(wǎng)膜疾病[3].在高血壓患者中,可以觀察到血管彎曲度增加或血管狹窄[4].通過視網(wǎng)膜血管獲得的血管形狀和分叉的信息,可以增強對DR 或者HR 的監(jiān)測.因此,分割視網(wǎng)膜血管對于一些嚴(yán)重疾病的早期診斷與治療具有重要意義.

    現(xiàn)有的眼底視網(wǎng)膜成像技術(shù)有以下幾類: 彩色眼底照相 (FP)技術(shù)、眼底熒光素血管造影 (FFA)、光學(xué)相干斷層掃描 (OCT)以及眼底相干光層析血管成像(OCTA).彩色眼底照相是最常用的視網(wǎng)膜成像技術(shù),其優(yōu)點是獲取方式簡單、圖像易于觀察.

    傳統(tǒng)的無監(jiān)督方法一般包括: 濾波匹配法、區(qū)域生長、血管跟蹤、閾值分割和圖像形態(tài)學(xué)處理等.這些傳統(tǒng)的無監(jiān)督方法不需要人工標(biāo)注,但這些方法依賴于手工提取特征進行血管表示與分割.此外,此類算法存在分割精度不夠、泛化性較差等局限性.

    與傳統(tǒng)的無監(jiān)督方法相比,深度卷積神經(jīng)網(wǎng)絡(luò)方法具有更強大的特征表征和學(xué)習(xí)能力,在醫(yī)學(xué)圖像分割任務(wù)中取得了最高水平[5].自2015年引入U-Net[6]以來,它已成為醫(yī)學(xué)影像分割中最具影響力的深度學(xué)習(xí)框架[7-10].其整體網(wǎng)絡(luò)采用編碼器-解碼器的結(jié)構(gòu),通過“跳躍連接”將不同分辨率的特征圖進行通道融合產(chǎn)生較好的分割效果.盡管U-Net 具有良好的表示能力,但它依賴于多級級聯(lián)卷積神經(jīng)網(wǎng)絡(luò).這種方法在重復(fù)提取低層特征時會導(dǎo)致計算資源的過度和冗余使用[11].

    注意力機制被提出用于解決以上問題,其模仿了人類視覺所特有的大腦信號處理機制,令網(wǎng)絡(luò)從大量信息中重點關(guān)注對任務(wù)結(jié)果更重要的區(qū)域,而抑制其他不重要的部分[12].在視網(wǎng)膜血管分割任務(wù)中,背景像素占比較大,而血管像素的占比小,因此可以采用注意力機制關(guān)注血管區(qū)域.卷積神經(jīng)網(wǎng)絡(luò)可以利用不同類型的注意力機制以關(guān)注重要的區(qū)域或者特征通道[13-18].例如,空間注意力機制[11,18]利用特征的空間關(guān)系生成空間注意力圖從而使網(wǎng)絡(luò)關(guān)注具有豐富信息的區(qū)域,通道注意力機制[13]通過顯式建模通道間的依賴關(guān)系來提高模型的性能.空間注意力和通道注意力的融合[15]也已成功地應(yīng)用于醫(yī)學(xué)分割領(lǐng)域.

    然而,這些常用的方法是一階注意力機制,難以提取圖像中一些更為抽象的高階語義信息且不能充分利用到全圖像的信息,導(dǎo)致在處理形狀和結(jié)構(gòu)復(fù)雜的目標(biāo)時發(fā)生退化[19].尤其在視網(wǎng)膜血管分割任務(wù)中,由于血管形態(tài)結(jié)構(gòu)多變,以上方法仍欠缺對復(fù)雜和高階特征信息的捕獲能力.

    本文提出了一種基于多尺度高階注意力機制的視網(wǎng)膜圖像分割方法(MHA-Net),可以明顯提高視網(wǎng)膜血管的分割精度.該方法采用改進的U-Net 結(jié)構(gòu),并引入多尺度高階注意力模塊,對編碼器提取到的深層特征進一步處理,聚焦于圖像的高階語義信息,從而改進模型處理醫(yī)學(xué)圖像分割時尺度不變的缺陷.經(jīng)過在DRIVE[20]數(shù)據(jù)集上的實驗證明,該方法有效地提高了分割的精度,同時對細(xì)小血管的分割也更為精細(xì).

    2 相關(guān)工作

    2.1 空洞卷積在圖像分割中的應(yīng)用

    空洞卷積(dilated convolution)[21,22]通過在卷積核相鄰兩個元素之間插入零值,在不增加參數(shù)量和計算成本的同時擴大了感受野.受空洞空間金字塔池化(ASPP)[23]在語義圖像分割中的應(yīng)用啟發(fā),空洞卷積在醫(yī)學(xué)圖像分割中同樣得到了廣泛的應(yīng)用[17,24].但是,基于空洞卷積的分割方法都存在一個共同問題,稀疏采樣會造成詳細(xì)信息的丟失,從而導(dǎo)致像素級分類不準(zhǔn)確.D-LinkNet[25]利用“短路連接(shortcut)”結(jié)合了文獻[21]的級聯(lián)模型與文獻[1]的并行模型.

    之前的研究主要集中在通過增加在不同尺度特征圖上的感受野,從而直接提高分割網(wǎng)絡(luò)的性能.我們的工作與上述方法不同,我們利用空洞卷積對不同尺度的特征圖進行采樣,并通過聚合這些多尺度的特征圖產(chǎn)生高階注意力圖,從而進一步使網(wǎng)絡(luò)聚焦于更加抽象和全面的語義信息.

    2.2 高階注意力

    注意力機制的思想核心是通過計算權(quán)重矩陣而使網(wǎng)絡(luò)有選擇地關(guān)注具有重要信息的部分[12].Okty 等人[11]提出了用于醫(yī)療影像分割的注意力門控(attention gate,AG)模型,該模型可以自動學(xué)習(xí)區(qū)分目標(biāo)的外形和尺寸,在小目標(biāo)分割任務(wù)中效果尤其顯著.不同于在跳躍連接中添加注意力門控(AG)的方法,SA-UNet[14]引入了一個空間注意力模塊,通過在空間維度計算注意力權(quán)重矩陣并與輸入的特征圖相乘,實現(xiàn)自適應(yīng)地細(xì)化特征.該方法是注意力模塊在U 形分割網(wǎng)絡(luò)降采樣后的深層特征圖上的一種應(yīng)用.Chen 等[19]首先提出了高階注意力模型,并將其應(yīng)用于行人重識別建模.該模型利用注意機制中形成的復(fù)雜高階統(tǒng)計量,捕捉行人之間的細(xì)微差異,從而產(chǎn)生區(qū)別性的關(guān)注建議.Ding 等[26]利用圖的傳遞閉包進一步優(yōu)化高階注意力模塊,在此基礎(chǔ)上提出具有自適應(yīng)感受野和動態(tài)權(quán)重的high-order attention (HA)模塊.HA 模塊通過圖的傳遞閉包構(gòu)建注意力圖,從而捕獲高階的上下文相關(guān)信息.

    之前的一些工作(如文獻[13])通過在U 型網(wǎng)絡(luò)的底部引入注意力機制來進一步挖掘深層次的特征.然而,這些網(wǎng)絡(luò)更多地關(guān)注了局部信息,而忽略深層特征中的全局信息.這導(dǎo)致盡管在提取深層特征時添加了幾種不同類型的注意力模塊,也不能有效地提高醫(yī)學(xué)圖像分割任務(wù)的性能.相反,模型的性能甚至?xí)杂邢陆?

    本文的工作是在上述注意力機制[14,19,26]上的改進.在U 形網(wǎng)絡(luò)的多個降采樣塊之后所得的深層特征的噪聲相對較小,因此注意力模塊需要盡可能地挖掘深層特征中的全局信息.另一方面,與淺層特征相比,在深層特征中引入噪聲會對整個模型造成更大的損害.因此,本文設(shè)計了多尺度高階注意力(MHA)模塊,其在不引入噪聲的前提下引導(dǎo)網(wǎng)絡(luò)提取深層特征中的更為全局的信息,有效提高了視網(wǎng)膜血管中分割性能.

    3 基于多尺度高階注意力機制的分割網(wǎng)絡(luò)

    3.1 網(wǎng)絡(luò)框架

    圖1 給出了基于多尺度高階注意力機制的視網(wǎng)膜圖像分割方法(MHA-Net)的網(wǎng)絡(luò)架構(gòu),其遵循了編碼器-解碼器的U 型結(jié)構(gòu).編碼器包含若干個下采樣塊和MHA 模塊,其中每個下采樣塊由1 個3×3 的卷積層、1 個批處理規(guī)范化層和一個ReLU 激活函數(shù)層組成,3 個下采樣塊連接在一起后緊跟一個2×2 的最大池化操作.在下采樣完成之后,將提取到的圖像深層次特征輸入到MHA 模塊進行細(xì)化,MHA 模塊的位置放置于網(wǎng)絡(luò)底部,即U 型收縮路徑和擴張路徑之間.在此處加入attention 模塊的原因是在靠前位置采集到的為低層次結(jié)構(gòu)信息,包含有許多噪聲.此外,加權(quán)的shortcut 被引入以保留原本的上下文信息.最后,經(jīng)過融合得到的特征圖通過編碼器產(chǎn)生最終的分割結(jié)果.解碼器部分使用反卷積[27]進行上采樣操作.

    圖1 MHA-Net 架構(gòu)圖

    3.2 多尺度高階注意力模塊

    本文提出的多尺度高階注意力模塊如圖2 所示.在編碼器的底部,原始的特征圖Xin∈RH×W×C通過并行的共享權(quán)重的空洞卷積(膨脹率r分別為1,2,4,8),產(chǎn)生新的多尺度特征圖分為為Xr(r=1,2,4,8),通過1×1 卷積得到的特征圖為X*.將這些多尺度特征圖使用式(1)計算得到融合的多尺度注意力矩陣:

    圖2 多尺度高階注意力(MHA)模塊

    其中,1/C是用來控制數(shù)值爆炸的縮放因子.之后,利用圖的傳遞閉包計算了多尺度高階注意力矩陣A,m∈{1,2,···,n}.具體計算的細(xì)節(jié)將在第3.3 節(jié)討論.最后,將特征圖X*與歸一化的高階注意力矩陣相乘得到細(xì)化的特征圖Xm,如式(2):

    Γθ代表1×1 卷積.在多尺度高階注意力模塊之后,將細(xì)化后的特征圖Xm乘上自適應(yīng)因子 α以抵消縮放因子1/C的偏移影響,如式(3):

    深層特征圖在通過多尺度高階注意力模塊之后,提取了更加高階抽象的語義特征,也更具有區(qū)分力,從而更聚焦于血管的分割.之后,再通過解碼器模塊,逐漸從低分辨率重構(gòu)至高分辨率.

    3.3 高階注意力傳播機制

    根據(jù)文獻[26],最初的多尺度注意力融合矩陣可以看做圖的鄰接矩陣,圖中的邊表示連接的兩個節(jié)點屬于同一類.如圖3 所示,給定注意力圖,通過閾值化刪去低置信度的邊后形成下采樣的圖如式(4):

    圖3 三階高階注意力傳播原理圖: 以黃色點為中心點通過圖的傳遞閉包進行傳播

    其中,δ代表閾值,設(shè)置為0.5.如圖4 所示,根據(jù)圖的傳遞閉包,可以通過鄰接矩陣自乘m-1 次得到:

    其中,m表示鄰接矩陣冪次的整數(shù),代表注意力傳播的階數(shù).因此,不同層次的注意力信息通過解耦成不同的注意圖并得到高度相關(guān)的鄰居.生成的高階注意圖用于聚合多層次的上下文信息.

    4 實驗驗證與結(jié)果分析

    4.1 數(shù)據(jù)集與實驗參數(shù)

    本文使用的數(shù)據(jù)集是DRIVE (digital retinal image for vessel extraction)[20].該數(shù)據(jù)集包含40 張圖像像素尺寸為584×565 的彩色眼底圖像,其中訓(xùn)練集與測試集各20 張.為擴充數(shù)據(jù),避免訓(xùn)練樣本過少可能造成的過擬合問題,我們對訓(xùn)練樣本隨機采樣256×256 的patch.此外,使用隨機翻轉(zhuǎn)、隨機旋轉(zhuǎn)、彈性形變等方法進行數(shù)據(jù)增強.本文使用PyTorch 框架[28],批量設(shè)置為 16,采用Adam 算法[29]優(yōu)化模型,學(xué)習(xí)率設(shè)置為0.000 1.動量和權(quán)重衰減因子分別設(shè)置為0.9 和0.999.

    4.2 評價指標(biāo)

    為了對實驗結(jié)果進行客觀的定量分析,選取以下指標(biāo)進行計算: Dice 系數(shù)(DSC)、準(zhǔn)確率(ACC)、敏感度(SE)、特異性(SP)和ROC 曲線下面積AUC.AUC 的范圍在0-1 之間,AUC 越逼近 1,其模型預(yù)測能力越高.評價指標(biāo)的計算方式如下:

    其中,X代表金標(biāo)準(zhǔn),Y代表預(yù)測結(jié)果.真陽性TP為正確分類的血管像素個數(shù),真陰性TN正確分類的背景點像素個數(shù),假陽性FP為背景像素誤分成血管像素的個數(shù),假陰性FN為血管像素誤分成背景像素的個數(shù).

    4.3 實驗結(jié)果分析

    本文算法性能在DRIVE 數(shù)據(jù)集上評估,圖4 展示了部分分割結(jié)果.圖4(a)為原始圖像,圖4(b)為金標(biāo)準(zhǔn)圖像,圖4(c)為本文算法的分割結(jié)果,從結(jié)果可以看出,本文算法整體分割效果良好,平滑度也優(yōu)于金標(biāo)準(zhǔn).同時,本文算法細(xì)節(jié)上表現(xiàn)優(yōu)秀,保持了微血管的連通性,說明本文中采取的注意力機制能夠關(guān)注到重要的血管區(qū)域.

    圖4 DRIVE 數(shù)據(jù)集分割結(jié)果

    為了驗證本文所提出的模型性能的優(yōu)越性,表1將本文算法與近兩年最先進的血管分割算法的各項指標(biāo)進行對比,其中加粗字體部分為每項最優(yōu)指標(biāo).

    表1 DRIVE 數(shù)據(jù)集上不同算法分割性能比較

    結(jié)果表明,本文提出的多尺度高階注意力方法MHA-Net 取得了優(yōu)異的表現(xiàn),其Dice 系數(shù)、靈敏度和AUC 分別達到了0.826 6、0.831 2 和0.988 3,在所有方法中表現(xiàn)最優(yōu).本文算法在保證高準(zhǔn)確率的同時,有著良好的敏感度,這意味著分割結(jié)果盡可能地保留血管信息,分割得到的血管連續(xù)完整.綜上所述,本文算法整體性能優(yōu)于現(xiàn)有算法.

    為了證明提出的多尺度高階注意力(MHA)模塊的有效性,在DRIVE 數(shù)據(jù)集上還進行了消融實驗.表2展示了U-Net、U-Net+MHA、Backbone、Backbone+HA 以及MHA-Net 的分割性能.其中U-Net+MHA 表示在U-Net 基礎(chǔ)上引入MHA 模塊的網(wǎng)絡(luò),Backbone表示在本文使用的骨干網(wǎng)絡(luò),Backbone+HA 表示與本文相同的骨干網(wǎng)絡(luò)上引入原始的高階注意力HA 模塊,MHA-Net 為本文算法,相當(dāng)于Backbone+MHA,即在本文使用的骨干網(wǎng)絡(luò)上引入多尺度高階注意力MHA 模塊.

    表2 DRIVE 數(shù)據(jù)集上的消融實驗

    結(jié)果表明: (1)U-Net+MHA 比U-Net 有更好的性能,準(zhǔn)確率提高0.07%,敏感度提高1.56%,AUC 提高0.20%,這證明了本文提出的多尺度高階注意(MHA)模塊的有效性.(2)MHA-Net 在準(zhǔn)確率、靈敏度和AUC 指標(biāo)上都優(yōu)于Backbone+HA,這表明多尺度高階注意力模塊對多尺度上下文特征信息捕捉能力更強,對復(fù)雜結(jié)構(gòu)的血管圖像有更強的特征提取能力.(3)本文提出的MHA-Net 在大多數(shù)指標(biāo)上都表現(xiàn)最好,在視網(wǎng)膜血管分割領(lǐng)域全面優(yōu)于U-Net,說明該網(wǎng)絡(luò)模型的合理性和優(yōu)越性.

    此外,對實驗結(jié)果進行了可視化分析,如圖5 所示,從左至右依次是原始圖、金標(biāo)準(zhǔn)、U-Net 分割結(jié)果、Backbone+HA 分割結(jié)果以及MHA-Net (本文)分割結(jié)果.我們放大了微血管,本文提出的MHA-Net 分割結(jié)果更加精細(xì),在血管末也未出現(xiàn)粘連或者斷裂的情況.

    圖5 DRIVE 數(shù)據(jù)集分割結(jié)果對比

    5 結(jié)論與展望

    本文針對視網(wǎng)膜血管分割任務(wù)中血管粗細(xì)不勻、形狀多變、微小血管易斷裂等問題,本文提出多尺度高階注意力(MHA)機制以自適應(yīng)地挖掘深層次特征.MHA-Net 以端到端方式進行視網(wǎng)膜血管分割訓(xùn)練,并通過MHA 模塊學(xué)習(xí)到具有鑒別性的特征.在DRIVE上的實驗表明,本文提出的算法取得了優(yōu)越的分割性能.同時,MHA 模塊可以即插即用,在各種醫(yī)學(xué)影像分割任務(wù)中適用.后續(xù)的工作將嘗試把多尺度高階注意力機制運用到三維的影像分割中.

    猜你喜歡
    特征
    抓住特征巧觀察
    離散型隨機變量的分布列與數(shù)字特征
    具有兩個P’維非線性不可約特征標(biāo)的非可解群
    月震特征及與地震的對比
    如何表達“特征”
    被k(2≤k≤16)整除的正整數(shù)的特征
    不忠誠的四個特征
    詈語的文化蘊含與現(xiàn)代特征
    新聞傳播(2018年11期)2018-08-29 08:15:24
    抓住特征巧觀察
    基于特征篩選的模型選擇
    中文字幕高清在线视频| 亚洲色图综合在线观看| 久久性视频一级片| 亚洲一码二码三码区别大吗| 制服丝袜大香蕉在线| 国产不卡一卡二| 麻豆久久精品国产亚洲av| av免费在线观看网站| 无限看片的www在线观看| 欧美一级a爱片免费观看看 | 午夜免费鲁丝| 可以免费在线观看a视频的电影网站| tocl精华| 如日韩欧美国产精品一区二区三区| 国产精品自产拍在线观看55亚洲| av欧美777| 999久久久国产精品视频| 国产精品免费视频内射| 久久精品国产综合久久久| 久久午夜综合久久蜜桃| 69精品国产乱码久久久| 亚洲五月婷婷丁香| 国产精品自产拍在线观看55亚洲| 欧美老熟妇乱子伦牲交| 男女下面进入的视频免费午夜 | 午夜成年电影在线免费观看| 最新在线观看一区二区三区| 黄片大片在线免费观看| 日本a在线网址| 99国产综合亚洲精品| 亚洲精品美女久久av网站| 天天躁夜夜躁狠狠躁躁| 午夜激情av网站| 国产亚洲精品av在线| 国内精品久久久久精免费| 午夜成年电影在线免费观看| 久久久久国产一级毛片高清牌| 亚洲成av人片免费观看| 亚洲一码二码三码区别大吗| 日本a在线网址| 亚洲性夜色夜夜综合| 亚洲久久久国产精品| 亚洲精品一区av在线观看| 国产亚洲av高清不卡| 少妇熟女aⅴ在线视频| 国产99久久九九免费精品| 91大片在线观看| 多毛熟女@视频| 亚洲男人的天堂狠狠| 国产区一区二久久| 亚洲人成电影免费在线| 这个男人来自地球电影免费观看| 欧美激情 高清一区二区三区| av欧美777| 亚洲国产精品sss在线观看| 国产精品影院久久| 激情视频va一区二区三区| 欧美日韩精品网址| 午夜免费鲁丝| 制服人妻中文乱码| 欧美另类亚洲清纯唯美| 国产单亲对白刺激| 欧美日韩福利视频一区二区| 久久亚洲真实| 午夜亚洲福利在线播放| 久久人妻熟女aⅴ| 欧美日本中文国产一区发布| 免费高清视频大片| 国产又色又爽无遮挡免费看| 国产午夜福利久久久久久| 无限看片的www在线观看| 免费一级毛片在线播放高清视频 | 老熟妇乱子伦视频在线观看| 国产成人免费无遮挡视频| 夜夜躁狠狠躁天天躁| 免费观看精品视频网站| 亚洲 欧美一区二区三区| 欧美另类亚洲清纯唯美| 97超级碰碰碰精品色视频在线观看| 中文字幕人妻熟女乱码| 亚洲国产欧美一区二区综合| 日韩av在线大香蕉| 国产精品九九99| 亚洲激情在线av| 亚洲美女黄片视频| 日韩免费av在线播放| 亚洲中文字幕一区二区三区有码在线看 | 一级片免费观看大全| 亚洲精品国产精品久久久不卡| 黄片小视频在线播放| 国产高清视频在线播放一区| 身体一侧抽搐| 黑人巨大精品欧美一区二区mp4| 一级a爱视频在线免费观看| 国产成+人综合+亚洲专区| 可以在线观看毛片的网站| 欧美激情 高清一区二区三区| 国产亚洲精品久久久久久毛片| 精品国内亚洲2022精品成人| 国产精品 欧美亚洲| 精品久久蜜臀av无| 日本撒尿小便嘘嘘汇集6| 国产av又大| 欧美人与性动交α欧美精品济南到| 欧美乱妇无乱码| 99久久国产精品久久久| www.www免费av| 一边摸一边抽搐一进一小说| 香蕉丝袜av| 国产精品自产拍在线观看55亚洲| 老汉色av国产亚洲站长工具| 午夜福利一区二区在线看| 两个人免费观看高清视频| 日韩欧美一区视频在线观看| 国产精品香港三级国产av潘金莲| 久久国产乱子伦精品免费另类| 999精品在线视频| 丝袜在线中文字幕| 午夜免费成人在线视频| 久久精品国产亚洲av香蕉五月| 他把我摸到了高潮在线观看| АⅤ资源中文在线天堂| 日本精品一区二区三区蜜桃| 久久中文看片网| 宅男免费午夜| 99在线人妻在线中文字幕| 天堂动漫精品| 一二三四社区在线视频社区8| 国产精品,欧美在线| 美女高潮喷水抽搐中文字幕| 国产精品久久久久久精品电影 | 亚洲一区二区三区色噜噜| 国产精品免费视频内射| 在线观看www视频免费| 天天躁狠狠躁夜夜躁狠狠躁| 97人妻精品一区二区三区麻豆 | 不卡av一区二区三区| 无限看片的www在线观看| 欧美国产精品va在线观看不卡| 亚洲成人免费电影在线观看| 欧美亚洲日本最大视频资源| 亚洲中文字幕日韩| 999久久久精品免费观看国产| 亚洲欧美日韩无卡精品| 亚洲精品国产精品久久久不卡| 性色av乱码一区二区三区2| 色精品久久人妻99蜜桃| 国产精华一区二区三区| 三级毛片av免费| 最新在线观看一区二区三区| 国产高清videossex| 日韩大尺度精品在线看网址 | 亚洲,欧美精品.| 99热只有精品国产| 国产91精品成人一区二区三区| 国产高清激情床上av| 国产一卡二卡三卡精品| 19禁男女啪啪无遮挡网站| 亚洲av日韩精品久久久久久密| 日本a在线网址| 给我免费播放毛片高清在线观看| 久久草成人影院| 亚洲欧洲精品一区二区精品久久久| 黄色a级毛片大全视频| 国产精品电影一区二区三区| 成人永久免费在线观看视频| 一边摸一边抽搐一进一出视频| 麻豆成人av在线观看| 麻豆久久精品国产亚洲av| 嫩草影视91久久| 久久国产精品男人的天堂亚洲| 国产蜜桃级精品一区二区三区| www.999成人在线观看| 国产午夜精品久久久久久| 丝袜美腿诱惑在线| 久久精品成人免费网站| 国产熟女午夜一区二区三区| 国产单亲对白刺激| 午夜久久久在线观看| 高清在线国产一区| 欧美精品亚洲一区二区| 99久久久亚洲精品蜜臀av| ponron亚洲| 此物有八面人人有两片| 在线视频色国产色| 久热这里只有精品99| videosex国产| 国产精品 国内视频| 日韩有码中文字幕| 亚洲欧美精品综合久久99| 九色国产91popny在线| 国产99久久九九免费精品| 亚洲自偷自拍图片 自拍| 欧美成人午夜精品| 国产精品久久久久久亚洲av鲁大| 亚洲片人在线观看| 欧美日韩亚洲综合一区二区三区_| 亚洲人成77777在线视频| 国产精品精品国产色婷婷| 日韩av在线大香蕉| 国产熟女午夜一区二区三区| 久久久久国产一级毛片高清牌| 我的亚洲天堂| 日韩国内少妇激情av| 国产精品免费视频内射| 老司机靠b影院| 一级a爱片免费观看的视频| 18禁美女被吸乳视频| 制服诱惑二区| 午夜久久久在线观看| 欧美大码av| 可以在线观看毛片的网站| 一边摸一边抽搐一进一出视频| 999精品在线视频| 波多野结衣av一区二区av| av欧美777| 色综合站精品国产| 国产高清有码在线观看视频 | 国产97色在线日韩免费| 校园春色视频在线观看| 成人精品一区二区免费| 亚洲国产欧美日韩在线播放| 日韩欧美一区二区三区在线观看| 国产精品自产拍在线观看55亚洲| 久久久久久亚洲精品国产蜜桃av| 久久午夜综合久久蜜桃| 在线观看舔阴道视频| 亚洲国产高清在线一区二区三 | 最近最新中文字幕大全电影3 | 桃红色精品国产亚洲av| 午夜老司机福利片| 欧洲精品卡2卡3卡4卡5卡区| 黄色毛片三级朝国网站| 国产精品乱码一区二三区的特点 | 日本 欧美在线| 麻豆国产av国片精品| 亚洲成国产人片在线观看| 国内久久婷婷六月综合欲色啪| 精品国产乱子伦一区二区三区| 色老头精品视频在线观看| 亚洲专区中文字幕在线| 国产一区在线观看成人免费| 啦啦啦 在线观看视频| 男女之事视频高清在线观看| 精品欧美国产一区二区三| 精品午夜福利视频在线观看一区| 一级毛片高清免费大全| 中文亚洲av片在线观看爽| 91字幕亚洲| 国产精品二区激情视频| 麻豆av在线久日| 亚洲欧美精品综合久久99| 久久久久久久久中文| 大型黄色视频在线免费观看| 18禁国产床啪视频网站| 黄色视频,在线免费观看| 久久精品成人免费网站| 校园春色视频在线观看| 久久青草综合色| 亚洲中文字幕一区二区三区有码在线看 | 久久久精品国产亚洲av高清涩受| 欧美国产日韩亚洲一区| 精品国产国语对白av| 日韩精品青青久久久久久| 天堂√8在线中文| 久久精品成人免费网站| 亚洲精品国产一区二区精华液| 天天一区二区日本电影三级 | 真人一进一出gif抽搐免费| 国产精品久久电影中文字幕| 岛国在线观看网站| 欧美av亚洲av综合av国产av| 黑丝袜美女国产一区| a在线观看视频网站| 最新在线观看一区二区三区| 一级毛片精品| 欧美成人午夜精品| 国产xxxxx性猛交| 极品教师在线免费播放| 日韩有码中文字幕| 久久 成人 亚洲| 嫩草影视91久久| 国产三级黄色录像| 18禁黄网站禁片午夜丰满| 国内精品久久久久精免费| 少妇 在线观看| 日韩欧美一区视频在线观看| 国产高清有码在线观看视频 | 亚洲自偷自拍图片 自拍| 亚洲专区中文字幕在线| 91精品三级在线观看| 国产色视频综合| 老司机福利观看| 男男h啪啪无遮挡| 老熟妇仑乱视频hdxx| 露出奶头的视频| 国产麻豆成人av免费视频| 中文字幕久久专区| 麻豆久久精品国产亚洲av| 免费在线观看完整版高清| 亚洲精华国产精华精| 亚洲avbb在线观看| 搡老熟女国产l中国老女人| 免费高清视频大片| 十八禁人妻一区二区| 日本在线视频免费播放| 亚洲欧美激情在线| 国产主播在线观看一区二区| 大型av网站在线播放| 中文字幕色久视频| 欧美乱码精品一区二区三区| 村上凉子中文字幕在线| 国产精品日韩av在线免费观看 | 国产熟女xx| 国产男靠女视频免费网站| 啦啦啦 在线观看视频| 给我免费播放毛片高清在线观看| 亚洲精品国产色婷婷电影| 午夜激情av网站| 久久精品国产清高在天天线| a在线观看视频网站| svipshipincom国产片| 亚洲五月色婷婷综合| 在线永久观看黄色视频| 69av精品久久久久久| e午夜精品久久久久久久| 色综合婷婷激情| 亚洲成人精品中文字幕电影| 丝袜美腿诱惑在线| 亚洲一区高清亚洲精品| 欧美精品啪啪一区二区三区| 国产蜜桃级精品一区二区三区| www.www免费av| 国产精品电影一区二区三区| 亚洲国产精品999在线| 久久亚洲真实| 欧美久久黑人一区二区| 激情视频va一区二区三区| АⅤ资源中文在线天堂| 欧美色欧美亚洲另类二区 | 精品乱码久久久久久99久播| 青草久久国产| 久久国产亚洲av麻豆专区| 亚洲自拍偷在线| av网站免费在线观看视频| 日本三级黄在线观看| 亚洲专区国产一区二区| 精品乱码久久久久久99久播| 国产熟女午夜一区二区三区| 99国产精品99久久久久| 村上凉子中文字幕在线| 69av精品久久久久久| 国内久久婷婷六月综合欲色啪| 一边摸一边做爽爽视频免费| 18禁国产床啪视频网站| 欧美成人一区二区免费高清观看 | 伦理电影免费视频| 国产欧美日韩一区二区三区在线| 国产av精品麻豆| 色综合欧美亚洲国产小说| 亚洲成人久久性| 久久久久久久午夜电影| 人人妻人人澡人人看| 麻豆一二三区av精品| 久久欧美精品欧美久久欧美| 国产一区二区三区在线臀色熟女| 老司机午夜十八禁免费视频| 91九色精品人成在线观看| 午夜福利欧美成人| 最近最新免费中文字幕在线| av天堂久久9| 老汉色∧v一级毛片| 色综合站精品国产| 国产97色在线日韩免费| 欧美绝顶高潮抽搐喷水| 久久狼人影院| 欧美人与性动交α欧美精品济南到| 欧美乱码精品一区二区三区| 啦啦啦免费观看视频1| 一个人观看的视频www高清免费观看 | 免费看a级黄色片| 亚洲欧美一区二区三区黑人| 我的亚洲天堂| 国产欧美日韩一区二区三区在线| 嫩草影院精品99| 狂野欧美激情性xxxx| 老司机在亚洲福利影院| 欧美老熟妇乱子伦牲交| 欧美日韩一级在线毛片| 少妇熟女aⅴ在线视频| 1024香蕉在线观看| 非洲黑人性xxxx精品又粗又长| 午夜福利影视在线免费观看| 精品久久久久久,| 啪啪无遮挡十八禁网站| 国产99久久九九免费精品| 亚洲少妇的诱惑av| 亚洲国产欧美一区二区综合| 制服人妻中文乱码| 此物有八面人人有两片| 性色av乱码一区二区三区2| 九色国产91popny在线| 神马国产精品三级电影在线观看 | 国产精品乱码一区二三区的特点 | 高清在线国产一区| 妹子高潮喷水视频| 在线天堂中文资源库| 操美女的视频在线观看| 99国产精品一区二区三区| 日本 av在线| 国产麻豆成人av免费视频| 成人国产综合亚洲| 久久中文看片网| 久99久视频精品免费| 一本大道久久a久久精品| 日本 av在线| 国产欧美日韩一区二区精品| 精品国产国语对白av| 一进一出好大好爽视频| 日本撒尿小便嘘嘘汇集6| 国产精品亚洲一级av第二区| 变态另类丝袜制服| 女人被狂操c到高潮| 国产视频一区二区在线看| 丝袜美腿诱惑在线| 日韩大尺度精品在线看网址 | 国产麻豆成人av免费视频| www日本在线高清视频| 久久久水蜜桃国产精品网| 首页视频小说图片口味搜索| 亚洲三区欧美一区| 91av网站免费观看| 亚洲欧美激情综合另类| 女人爽到高潮嗷嗷叫在线视频| 美女免费视频网站| 中文字幕人妻熟女乱码| 欧美不卡视频在线免费观看 | 亚洲国产中文字幕在线视频| 麻豆久久精品国产亚洲av| 搡老熟女国产l中国老女人| 国产精品综合久久久久久久免费 | 欧美色视频一区免费| 香蕉久久夜色| 丰满的人妻完整版| 国产极品粉嫩免费观看在线| 熟妇人妻久久中文字幕3abv| 亚洲av美国av| 狂野欧美激情性xxxx| 精品一区二区三区视频在线观看免费| 搡老妇女老女人老熟妇| 淫妇啪啪啪对白视频| 欧美av亚洲av综合av国产av| 久久久精品国产亚洲av高清涩受| 成人特级黄色片久久久久久久| 一个人免费在线观看的高清视频| 成人亚洲精品av一区二区| 欧美一区二区精品小视频在线| 69av精品久久久久久| 国产成人免费无遮挡视频| 成人三级黄色视频| 在线观看免费日韩欧美大片| 色综合婷婷激情| 宅男免费午夜| 狂野欧美激情性xxxx| 亚洲中文字幕一区二区三区有码在线看 | 一进一出抽搐gif免费好疼| 国产伦人伦偷精品视频| 久久热在线av| 亚洲国产精品999在线| 后天国语完整版免费观看| 少妇熟女aⅴ在线视频| 国产一区二区在线av高清观看| 亚洲男人的天堂狠狠| 一区二区三区高清视频在线| 最近最新中文字幕大全免费视频| 免费观看精品视频网站| 中文字幕人成人乱码亚洲影| 欧美人与性动交α欧美精品济南到| 久久久久国产精品人妻aⅴ院| 岛国视频午夜一区免费看| 精品欧美一区二区三区在线| 免费在线观看影片大全网站| 亚洲人成电影观看| 中文亚洲av片在线观看爽| 最近最新免费中文字幕在线| 女性被躁到高潮视频| 亚洲精品中文字幕一二三四区| 无限看片的www在线观看| 男女之事视频高清在线观看| 国产免费男女视频| 欧美在线一区亚洲| 搡老熟女国产l中国老女人| 91成年电影在线观看| 久久国产亚洲av麻豆专区| 免费在线观看完整版高清| 最新美女视频免费是黄的| 午夜a级毛片| 精品午夜福利视频在线观看一区| ponron亚洲| 久久久国产成人免费| 欧美日韩黄片免| 在线观看午夜福利视频| 精品福利观看| 欧美激情高清一区二区三区| 久久 成人 亚洲| 久久精品国产清高在天天线| www国产在线视频色| 97碰自拍视频| 久久性视频一级片| 午夜激情av网站| 国产av精品麻豆| 中文字幕久久专区| 久久婷婷人人爽人人干人人爱 | 一级a爱视频在线免费观看| 黑丝袜美女国产一区| 亚洲在线自拍视频| 在线观看免费视频网站a站| 人人妻人人澡人人看| 日韩中文字幕欧美一区二区| 国产成人精品无人区| 亚洲av片天天在线观看| 亚洲av成人av| 可以免费在线观看a视频的电影网站| 一进一出抽搐gif免费好疼| 中国美女看黄片| 久久精品亚洲熟妇少妇任你| 久久久久久大精品| 久久人人爽av亚洲精品天堂| 男人舔女人下体高潮全视频| 操美女的视频在线观看| 成人av一区二区三区在线看| 18禁裸乳无遮挡免费网站照片 | 非洲黑人性xxxx精品又粗又长| 国产一区二区三区视频了| 国产成人影院久久av| 亚洲va日本ⅴa欧美va伊人久久| or卡值多少钱| 日日爽夜夜爽网站| 日本精品一区二区三区蜜桃| 丰满人妻熟妇乱又伦精品不卡| 美女免费视频网站| 国内精品久久久久久久电影| 99久久久亚洲精品蜜臀av| a在线观看视频网站| 国语自产精品视频在线第100页| 制服丝袜大香蕉在线| 亚洲国产欧美网| 啦啦啦 在线观看视频| 午夜免费鲁丝| 久久精品国产清高在天天线| 亚洲avbb在线观看| 亚洲国产毛片av蜜桃av| 亚洲人成伊人成综合网2020| 99久久久亚洲精品蜜臀av| 国产精华一区二区三区| 又紧又爽又黄一区二区| 99国产精品一区二区蜜桃av| 好看av亚洲va欧美ⅴa在| 午夜福利免费观看在线| 欧美最黄视频在线播放免费| 精品乱码久久久久久99久播| 国产av一区在线观看免费| 亚洲国产看品久久| 中出人妻视频一区二区| 欧美日本亚洲视频在线播放| 亚洲人成伊人成综合网2020| 国产精品综合久久久久久久免费 | 国产成人啪精品午夜网站| 国产在线观看jvid| 欧美丝袜亚洲另类 | 18禁裸乳无遮挡免费网站照片 | 可以免费在线观看a视频的电影网站| 人人妻人人澡欧美一区二区 | 久热爱精品视频在线9| 69av精品久久久久久| 久久精品亚洲精品国产色婷小说| 国产成人精品在线电影| 丁香六月欧美| 国产三级黄色录像| 看片在线看免费视频| 国产三级黄色录像| 国产精品电影一区二区三区| 亚洲av美国av| 国产在线精品亚洲第一网站| 91麻豆精品激情在线观看国产| 高清在线国产一区| 国产91精品成人一区二区三区| 在线播放国产精品三级| 中文字幕人成人乱码亚洲影| 一卡2卡三卡四卡精品乱码亚洲| 丁香欧美五月| 人妻久久中文字幕网| 亚洲精品久久成人aⅴ小说| 国产精品永久免费网站| 午夜免费观看网址| 久久国产精品人妻蜜桃| 成人av一区二区三区在线看| 亚洲av电影在线进入| 一级毛片高清免费大全| 国产成人精品在线电影| 韩国av一区二区三区四区| 欧美日韩乱码在线| 成人国产综合亚洲| a级毛片在线看网站| 欧美成人午夜精品| 亚洲成av人片免费观看| 免费在线观看影片大全网站| av福利片在线| 波多野结衣高清无吗| 成人国语在线视频| 午夜福利欧美成人| 国产精品永久免费网站| 欧美老熟妇乱子伦牲交| 国产成人av激情在线播放| 国产欧美日韩精品亚洲av|