• <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 ?

    基于深度學(xué)習的細胞癌惡化程度預(yù)測方法研究

    2018-03-26 02:14:46銀溫社胡楊升董青青
    軟件導(dǎo)刊 2018年3期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習檢測

    銀溫社 胡楊升 董青青

    摘要:細胞癌是當今致死率最高的癌癥之一,細胞癌惡化程度預(yù)測方法對治療該病癥具有重大意義。對細胞圖像病理識別數(shù)據(jù)集中的癌癥細胞切片進行檢測,首先利用數(shù)據(jù)增加(DATA Augmentation,DA)技術(shù),增加模型訓(xùn)練集和測試集,然后設(shè)計卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試網(wǎng)絡(luò)結(jié)構(gòu),再結(jié)合經(jīng)驗設(shè)置優(yōu)化參數(shù)進行預(yù)測模型訓(xùn)練,從而為細胞癌惡化程度預(yù)測提供一個深度模型的檢測手段。隨著深度學(xué)習的發(fā)展和醫(yī)學(xué)圖像在臨床上的應(yīng)用,以及醫(yī)學(xué)影像數(shù)據(jù)集的不斷完善,該方法有望為醫(yī)生診斷細胞癌惡化程度提供一種有效工具。

    關(guān)鍵詞關(guān)鍵詞:深度學(xué)習;細胞癌;檢測;卷積神經(jīng)網(wǎng)絡(luò)

    DOIDOI:10.11907/rjdk.172498

    中圖分類號:TP301

    文獻標識碼:A文章編號文章編號:16727800(2018)003001104

    英文摘要Abstract:Cell carcinoma is one of the highest mortality rates in todays society. The prediction of cell cancer progression have a great significance for the treatment of this disease. In this paper, the cell image provided in the pathological identification data set by JuShuLi are detected. First, data augmentation is used to add the model training set and test set, and then, the convolution neural network training network structure and testing network is designed, the predictor model is trained by setting the optimization parameters combined with experience. Thus providing a depth detection method for the prediction of cell cancer progression. With the development of deep learning and the clinical application of medical images, the medical image data sets are constantly improved. This method is expected to provide an effective tool for doctors diagnose the deterioration of cell carcinoma.

    英文關(guān)鍵詞Key Words:deep learning; cell carcinoma; detection; convolution neural network

    0引言

    細胞是組成人體的最基本單位,其規(guī)則的生長衰變對人體健康至關(guān)重要。當出現(xiàn)不規(guī)則的生長情況時,病理學(xué)家可以對惡化細胞進行檢測,以確定細胞是否惡化癌變。由于空間和時間上的基因異質(zhì)性以及紋理和形狀上的不確定性,盡管病理學(xué)家經(jīng)驗豐富,但診斷誤差率仍有30%~40%。病理學(xué)家通過活體檢測或醫(yī)學(xué)影像主觀地分析細胞的形態(tài)是否由正常的扁平梭狀變成了惡化的球形、細胞核是否分葉、顏色是否淡化等特征,往往只能作出初步診斷,必須結(jié)合個人病史,甚至家族病史才能給出最終診斷結(jié)果。此類主觀診斷方法周期很長,而且臨床數(shù)據(jù)顯示誤診率較高。因此,找到一種高效、準確的細胞癌惡化程度預(yù)測方法尤為重要。

    癌癥惡化程度預(yù)測方法備受關(guān)注,特別是隨著特征提取、分類器、機器學(xué)習算法的產(chǎn)生以及深度學(xué)習思想的提出,這一領(lǐng)域研究很多。如張利文團隊[1]提出了基于定量影像組學(xué)的肺腫瘤良惡性預(yù)測方法。該方法先通過雪橇自動生長對病灶區(qū)域進行分割,然后進行特征提取和特征選擇,最后通過SVM訓(xùn)練預(yù)測模型,預(yù)測準確度在80%左右,但工作量較大。Rejintal 團隊[2]提出的基于圖像處理的白血病癌細胞檢測方法,主要采用k均值分割、灰度共生矩陣和SVM分類器,但此方法提取特征較少,文章中沒有給出識別精度。在相關(guān)研究基礎(chǔ)上,本文提出一種基于深度學(xué)習的細胞癌惡化程度預(yù)測方法。

    深度學(xué)習是機器學(xué)習研究的一個新領(lǐng)域,其目標在于建立能模擬人腦進行學(xué)習的神經(jīng)網(wǎng)絡(luò)來解釋數(shù)據(jù),通過組合低層特征形成更加抽象的高層特征,從而發(fā)現(xiàn)分布式特征。卷積神經(jīng)網(wǎng)絡(luò)是模擬人腦網(wǎng)絡(luò)的一種,它不但具有尺度不變性,而且具有權(quán)值共享等特點[3]。卷積神經(jīng)網(wǎng)絡(luò)從特征提取到特征選擇再到權(quán)值優(yōu)化,模型構(gòu)建完全組合在神經(jīng)網(wǎng)絡(luò)的隱含層內(nèi)[4],大大降低了復(fù)雜度。在預(yù)測方面,使用有監(jiān)督的標記訓(xùn)練,模型預(yù)測結(jié)果就是標記對應(yīng)值。

    1預(yù)測模型及預(yù)測方法

    1.1深度學(xué)習框架選擇

    本文選擇開源的Caffe深度學(xué)習框架,其高效,簡潔的特點是選擇它的原因之一[5],在圖像識別和分類領(lǐng)域擁有大部分資源,很多圖像領(lǐng)域的研究都是在Caffe框架下進行實驗的,開源項目很多也可在GitHub上找到。當然在硬件方面,NVIDIA為其提供的多GPU加速也是選擇Caffe的原因。

    1.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

    卷積神經(jīng)網(wǎng)絡(luò)同感知機、BP神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)以及自適應(yīng)共振理論一樣,也屬于人工神經(jīng)網(wǎng)絡(luò)的一種[69]。卷積神經(jīng)網(wǎng)絡(luò)經(jīng)歷了感受野和神經(jīng)認知機兩大階段[1011],它更加擬合于生物神經(jīng)網(wǎng)絡(luò),其權(quán)值共享和可多維圖片輸入的特點,使其占領(lǐng)了人工智能的大部分領(lǐng)域,避免了例如SVM等監(jiān)督學(xué)習模型的特征提取、特征選擇和數(shù)據(jù)重建過程[12],其尺度不變性也為卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展奠定了技術(shù)基礎(chǔ)。

    訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)輸入層即數(shù)據(jù)層,設(shè)置批處理大小scale為64,此參數(shù)可根據(jù)實驗者的計算機處理能力進行調(diào)整。因為本文是基于GPU訓(xùn)練的,所以設(shè)置批處理大小為64;對于數(shù)據(jù)導(dǎo)入文件,Caffe支持LMDB和LEVELDB兩種類型文件,它們都是鍵/值對(Key/Value Pair)嵌入式數(shù)據(jù)庫管理系統(tǒng)編程庫。雖然LMDB的內(nèi)存消耗是LEVELDB的1.1倍,但是LMDB的速度比LEVELDB快15%左右,所以本文選擇數(shù)據(jù)導(dǎo)入文件為LMDB類型。為了把通道圖像的像素值定在[0,1]區(qū)間內(nèi),設(shè)置scale為0.003 906 25。卷積層設(shè)置濾波器的權(quán)重學(xué)習率參數(shù)lr_mult為1,偏置學(xué)習率參數(shù)bias為2。一般bias為lr_mult的2倍,這樣,收斂速度會有一個很好的提升;卷積核的個數(shù)、大小、步長以及是否有填充都對特征信息提取和最后的驗證集預(yù)測產(chǎn)生較大影響,本文基于先驗知識和經(jīng)驗分別設(shè)置卷積核個數(shù)為32,步長為1,卷積核大小為5×5,填充為1。因為服從高斯分布,可以將中心點作為原點,從而在正態(tài)曲線上分配權(quán)重和偏置參數(shù),產(chǎn)生規(guī)整的特征映射圖且支持稀疏性。使用高斯分布隨機初始化卷積核,高斯分布標準差為0.001。對于池化層,因為細胞的紋理特征對預(yù)測惡化程度很重要,而最大值池化方法能夠更好地保留紋理特征,因此使用最大值池化方法,經(jīng)驗性地設(shè)置池化窗口大小為3×3,窗口滑動步長為2。激活層使用RELU層,使用max(x,0)作為激活函數(shù),當x>0時,輸出x,當x≤0時,輸出0。其具有稀疏性,并且可以很大程度地降低梯度。全連接層同卷積層一樣,但是設(shè)置高斯分布標準差為0.1,設(shè)置輸出類別數(shù)為5,輸入類別數(shù)是和惡化程度級別數(shù)相同的。核函數(shù)對于準確度的提升也有一定的影響[13],本文在第一個全連接層中使用sigmoid函數(shù),在第二個全連接層也就是輸出層中選擇徑向基函數(shù),定義如下:

    sigmoid函數(shù):

    φ(v)=tanhv2=1-exp-v1+exp(-v)(1)

    徑向基函數(shù):

    yj=∑hi=1wijexp-12σ2xp-ci2(2)

    以上網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和方法函數(shù)可隨需要進行調(diào)節(jié),例如:如果用CPU預(yù)測模型,可以減小批處理大小,從而解決內(nèi)存溢出問題;如果計算機內(nèi)存不夠,可考慮把訓(xùn)練集和測試集轉(zhuǎn)化為LEVELDB類型作為輸入文件,從而減小內(nèi)存消耗;如果要進一步提高收斂速度和精度,可以制作均值文件。權(quán)重學(xué)習率參數(shù)、偏置學(xué)習率參數(shù)、卷積核個數(shù)、卷積核大小、步長、填充大小以及池化窗口大小和步長,可根據(jù)損失值和精度進行反饋調(diào)節(jié)。對于隨機初始化卷積核的方式,也可選擇常量初始化(constant)、均勻分布初始化(uniform)、xavier初始化、雙線性初始化(bilinear)等方式;對于池化層,可選擇均值池化和隨機池化方法。均值池化有保留整體特征的特點,隨機池化不會造成特征圖的過度失真,以上池化方式也可穿插在各池化層中使用,以保證特征提取的整體性;對于激活層,可以用sigmoid函數(shù)代替RELU函數(shù),但是sigmoid函數(shù)容易飽和,從而導(dǎo)致?lián)p失函數(shù)收斂較慢。具體訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,預(yù)測模型結(jié)構(gòu)如圖2所示。

    1.3學(xué)習率策略

    隨著數(shù)據(jù)集增加及網(wǎng)絡(luò)結(jié)構(gòu)變得更深,深度模型的訓(xùn)練往往會花費較長時間,所以如何選擇或設(shè)計深度學(xué)習策略是提高收斂速度和減少訓(xùn)練時間的一個重要因素[14]。因為Solver優(yōu)化方法包括多種學(xué)習策略[15],所以在此介紹Slover方法。Slover方法是通過前向推斷和反向梯度計算對參數(shù)進行更新從而減小loss。其定義為

    L(W)=1D∑Dtfw(X(t))+λr(W)(3)

    L(W)≈1N∑Ntfw(X(t))+λr(W)(4)

    式(3)、式(4)中,D是給定的數(shù)據(jù)集,N為隨機子集,N遠遠小于D,L(W)為平均損失,λ為權(quán)重,W為更新權(quán)重,fw(X(t))是數(shù)據(jù)中X(t)項的損失,r(W)是正則項。對于前向過程,計算fw即loss,對于反向過程,計算fw即梯度,然后根據(jù)梯度fw、正則項的梯度r(W)等計算參數(shù)更新W。

    學(xué)習率策略很多,例如隨機梯度下降SGD(Stochastic Gradient Descent)[16]、Adam(來源于adaptive moment estimation)[17]、AdaDelta[18]以及賀昱曜等[14]提出的組合型AdaMix學(xué)習率方法。利用Mnist數(shù)據(jù)集[19]進行手寫數(shù)字識別模型訓(xùn)練,觀察迭代過程,Adam、AdaDelta與SGD的訓(xùn)練損失(Train loss)、測試準確度(Test accuracy)和測試損失(Test loss)變化曲線如圖3所示。

    圖3基于Adam、AdaDelta與SGD學(xué)習策略的Loss下降過程和Accuracy上升過程

    從圖3可以看出,基于Adam學(xué)習策略的識別準確度可達90%以上,但在迭代中會產(chǎn)生大的震蕩,這不利于精度的穩(wěn)定上升?;贏daDelta學(xué)習策略的識別準確度也可達到90%以上,但其收斂速度過慢,而且迭代后期準確度難以提高?;赟GD學(xué)習策略的識別準確度將近100%,而且收斂速度很快,大約在迭代1 000次左右就已達98%的準確度。

    SGD雖然不像Adam和AdaGrad(Adaptive Gradient)學(xué)習率優(yōu)化方法一樣是自適應(yīng)優(yōu)化方法,但根據(jù)函數(shù)本身的特點調(diào)節(jié)學(xué)習率大小,在很多情況下也不失為一種簡單有效的優(yōu)化方法[14]。本文沿用隨機梯度下降方法SGD,其定義如下:

    Vt+1=μVt-αL(Wt)(5)

    Wt+1=Wt+Vt+1(6)

    式(5)、式(6)中,Vt+1為本次更新值,Wt+1為本次權(quán)重,Vt為上次計算的更新值,Wt為當前權(quán)重,學(xué)習參數(shù)α和μ分別是負梯度權(quán)重和一次更新值的權(quán)重,L(Wt)為負梯度。

    1.4數(shù)據(jù)選擇

    本文應(yīng)用聚數(shù)力網(wǎng)絡(luò)平臺提供的細胞圖像數(shù)據(jù)集的165張圖片作為訓(xùn)練集和測試集原本(http://dataju.cn/Dataju/web/datasetInstanceDetail/242),通過數(shù)據(jù)增加(DATA Augmentation,DA)把訓(xùn)練集擴展為4 950張,測試集為1 573張。數(shù)據(jù)增加通過旋轉(zhuǎn)、變形、扭曲、裁剪以及噪聲添加等功能增加數(shù)據(jù)集[20],然后根據(jù)聚數(shù)力提供的惡化程度信息,分為良性健康、良性腺瘤、惡性中度分化、惡性中度至差分和惡性5類。訓(xùn)練集中包括21例良性健康、16例良性腺瘤、24例惡性中度分化、12例惡性中度至差分、12例惡性。測試集中包括21例良性健康、16例良性腺瘤、23例惡性中度分化、8例惡性中度至差分、12例惡性。

    2實驗結(jié)果

    本文基于深度學(xué)習的細胞癌惡化程度預(yù)測模型,設(shè)計了深度學(xué)習訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)和預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)。預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)相比訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)沒有訓(xùn)練和測試數(shù)據(jù)層,沒有損失層和精度層,增加了測試圖片的輸入層和輸出似然值的Softmax層。選擇SGD作為本文學(xué)習策略。迭代170 000次進行模型訓(xùn)練,預(yù)測模型的最終訓(xùn)練損失值為0.016 889 6,測試損失值為0.035 688 9,預(yù)測準確度為 87.38%。利用訓(xùn)練出的惡化程度預(yù)測模型對5張不同惡化程度的圖片進行預(yù)測,良性健康的預(yù)測準確率為87.21%,良性腺瘤的預(yù)測準確率為94.17%,惡性中度分化預(yù)測準確率為89.33%,惡性中度至差分預(yù)測準確度為81.58%,惡性預(yù)測準確度為90.91%,詳細數(shù)據(jù)見表1。

    本文訓(xùn)練預(yù)測模型的Loss下降和Accuracy上升曲線如圖4所示。

    3結(jié)語

    細胞圖像病理識別數(shù)據(jù)集中含有較少的無關(guān)信息,通過構(gòu)建深度訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu),從而訓(xùn)練出惡化程度預(yù)測模型,實驗結(jié)果顯示基于深度學(xué)習的細胞癌惡化程度預(yù)測方法的預(yù)測準確度達到87.38%。該模型可以輔助病理學(xué)家進行相關(guān)研究。本文方法有深度模型化及高準確預(yù)測的優(yōu)點,可用于病理學(xué)家的臨床研究中。

    本文方法也可用于其它癌癥的預(yù)測和分析,但如果數(shù)據(jù)集中含有較多的無關(guān)信息,建議首先對病灶區(qū)域進行分割,利用分割出來的病灶區(qū)域進行預(yù)測模型訓(xùn)練,這對提高預(yù)測準確度和解決過擬合很重要,后續(xù)將對本文方法的普適性進行分析和研究。隨著國內(nèi)外相關(guān)數(shù)據(jù)集的不斷公開,深度學(xué)習樣本會不斷增加,預(yù)測準確率會相應(yīng)提高。

    參考文獻參考文獻:

    [1]張利文,劉俠,王俊,等.基于定量影像組學(xué)的肺腫瘤良惡性預(yù)測方法[J].自動化學(xué)報,2017,43(2):16.

    [2]REJINTAL A, ASWINI N. Image processing based leukemia cancer cell detection[C]. Recent Trends in Electronics, Information & Communication Technology(RTEICT),2016.

    [3]VINCENTP, LAROCHELLEH, BENGIOY, et al. Extracting and composing robust features with denoising autoencoders[C]. Proc of the 25th International Conference on Machine Learning, New York:ACM Press, 2008:10961103.

    [4]JIFENG D, KAIMING H, JIAN S. Convolutional feature masking for joint object and stuff segmentation[C]. Computer Vision and Pattern Recognition (CVPR),2015.

    [5]YANGQING J, SHELHAMER E, DONAHUE J, et al. Caffe:convolutional architecture for fast feature embedding[C]. Proceedings of The 22nd ACM International Conference on Multimedia, Orlando:ACM, 2014:675678.

    [6]MCCULLOCH W S, PITTS W A. Logical calculus of the ideas immanent in nervous activity[J]. Journal of Symbolic Logic,1944,9(2):4950.

    [7]ROSENBLATT F. The perceptron: a probabilistic model for information storage and organization in the brain[J]. Psychological Review,1958,65(6):386387.

    [8]CARPENTER G A, GROSSBERG S, ROSEN D B. Fuzzy art: fast stable learning and categorization of analog patterns by an adaptive resonance system[J]. Neural Networks,1991,4(6):759771.

    [9]BENGIO Y. Learning deep architectures for AI[M]. Fundations & Trends in Machine Learning,2009.

    [10]HUBEL D H, WIESEL T N. Receptive fields of single neurones in the cats striate cortex[J]. Journal of Physiology,1959,148(3):574591.

    [11]ALBERICO A. Analysis of the process of visual pattern recognition by the neocognitron: kunihiko fukushima[J]. Communications in Partial Differential Equations,2016(1):2223.

    [12]YIMING H, DI W, ZHIFEN Z, et al. Emdbased pulsed tig welding process porosity defect detection and defect diagnosis using GASVM[J]. Journal of Materials Processing Technology,2017,239(1):92102.

    [13]KAI Y, WEI X, YIHONG G. Deep learning with kernel regularization for visual recognition[C]. Proceedings of the TwentySecond Annual Conference on Neural Information Processing Systems, Vancouver:NIPS Proceedings,2008:18891896.

    [14]賀昱曜,李寶奇.一種組合型的深度學(xué)習模型學(xué)習率策略[J].自動化學(xué)報,2016,42(6):953958.

    [15]樂毅,王斌.深度學(xué)習:Caffe之經(jīng)典模型詳解與實戰(zhàn)[M].北京:電子工業(yè)出版社,2016.

    [16]BORDES A, BOTTOU L, GALLINARI P. SGDQN: careful quasinewton stochastic gradient descent[J]. Journal of Machine Learning Research,2009,10(3):17371754.

    [17]KINGMA D P, BA J. Adam: a method for stochastic optimization[J]. Computer Science,2014(5):156159.

    [18]ZEILER M D.Adadelta: an adaptive learning rate method[J]. Computer Science,2012(6):2428.

    [19]LI D. The MNIST database of handwritten digit images for machine learning research[J]. IEEE Signal Processing Magazine,2012,29(6):141142.

    [20]SIMARD P Y, STEINKRAUS D, PLARR J C. Best practices for convolutional neural networks applied to visual document analysis[C]. Proceedings of The Seventh International Conference on Document Analysis and Recognition,2003:958.

    責任編輯(責任編輯:杜能鋼)

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習檢測
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究
    小波變換在PCB缺陷檢測中的應(yīng)用
    亚洲欧美精品自产自拍| 热re99久久精品国产66热6| 国产亚洲精品第一综合不卡| 成人亚洲精品一区在线观看| 一区二区三区精品91| 亚洲综合色网址| 少妇猛男粗大的猛烈进出视频| 少妇人妻精品综合一区二区| 亚洲精品一二三| 午夜福利在线观看免费完整高清在| 亚洲av成人精品一二三区| 久久99热这里只频精品6学生| 国产乱来视频区| 国产一区有黄有色的免费视频| 久久久久久久久久久免费av| 26uuu在线亚洲综合色| 在线观看美女被高潮喷水网站| 国产成人aa在线观看| 亚洲第一av免费看| 欧美精品一区二区大全| 国产精品欧美亚洲77777| 欧美国产精品va在线观看不卡| 久久精品国产鲁丝片午夜精品| 美女高潮到喷水免费观看| 欧美精品一区二区免费开放| xxxhd国产人妻xxx| 飞空精品影院首页| 十八禁网站网址无遮挡| 少妇被粗大猛烈的视频| 毛片一级片免费看久久久久| 高清在线视频一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 精品久久蜜臀av无| 美女国产高潮福利片在线看| 精品人妻在线不人妻| 亚洲一码二码三码区别大吗| 国产亚洲午夜精品一区二区久久| 在线 av 中文字幕| 丁香六月天网| 肉色欧美久久久久久久蜜桃| 大码成人一级视频| 亚洲欧美中文字幕日韩二区| 少妇被粗大的猛进出69影院| 一区二区三区精品91| 成人18禁高潮啪啪吃奶动态图| 日韩 亚洲 欧美在线| 国产精品香港三级国产av潘金莲 | 国产一区二区三区综合在线观看| 国产国语露脸激情在线看| 啦啦啦中文免费视频观看日本| 成人二区视频| 女人久久www免费人成看片| 69精品国产乱码久久久| 热re99久久国产66热| 精品99又大又爽又粗少妇毛片| 久久久久精品人妻al黑| 精品国产一区二区久久| 夜夜骑夜夜射夜夜干| 91成人精品电影| 人体艺术视频欧美日本| 亚洲精品乱久久久久久| 国产精品99久久99久久久不卡 | 老鸭窝网址在线观看| 久久久国产一区二区| a级毛片黄视频| 国产淫语在线视频| 日韩一本色道免费dvd| 国产亚洲午夜精品一区二区久久| 侵犯人妻中文字幕一二三四区| 欧美激情极品国产一区二区三区| 这个男人来自地球电影免费观看 | 日韩伦理黄色片| 一区二区三区四区激情视频| 国产亚洲av片在线观看秒播厂| 精品国产一区二区三区久久久樱花| 国产一区二区三区综合在线观看| 亚洲av男天堂| 午夜激情av网站| 国产精品久久久av美女十八| 美女大奶头黄色视频| 一边亲一边摸免费视频| 黄网站色视频无遮挡免费观看| 久久精品aⅴ一区二区三区四区 | 久久国内精品自在自线图片| 成人午夜精彩视频在线观看| 午夜av观看不卡| 日本爱情动作片www.在线观看| 女人被躁到高潮嗷嗷叫费观| 美女脱内裤让男人舔精品视频| 18禁裸乳无遮挡动漫免费视频| 亚洲四区av| 久久婷婷青草| 国产一区二区三区av在线| 啦啦啦中文免费视频观看日本| 天天躁夜夜躁狠狠躁躁| 黑丝袜美女国产一区| 中文字幕色久视频| 日韩中文字幕欧美一区二区 | 日韩精品免费视频一区二区三区| 久久精品亚洲av国产电影网| 99久久综合免费| 国产亚洲精品第一综合不卡| 亚洲精品视频女| 在线观看国产h片| 精品国产超薄肉色丝袜足j| 91精品三级在线观看| 少妇被粗大猛烈的视频| 天天躁日日躁夜夜躁夜夜| 精品亚洲成国产av| 亚洲人成电影观看| 亚洲国产欧美网| 天天躁狠狠躁夜夜躁狠狠躁| 18在线观看网站| 在线观看美女被高潮喷水网站| 狠狠精品人妻久久久久久综合| videosex国产| 午夜久久久在线观看| 免费黄色在线免费观看| 中文字幕人妻丝袜一区二区 | av国产久精品久网站免费入址| 欧美精品高潮呻吟av久久| 中文字幕另类日韩欧美亚洲嫩草| 在线观看国产h片| 国产精品久久久久久久久免| 熟女电影av网| 国产精品一区二区在线不卡| 极品少妇高潮喷水抽搐| freevideosex欧美| videossex国产| 国产精品久久久av美女十八| 男人操女人黄网站| 欧美 亚洲 国产 日韩一| 精品一区二区三卡| 欧美日韩视频精品一区| 我要看黄色一级片免费的| 国产av一区二区精品久久| 国产精品偷伦视频观看了| 免费观看性生交大片5| 国产在线一区二区三区精| 最近最新中文字幕大全免费视频 | 午夜激情久久久久久久| 在线免费观看不下载黄p国产| 欧美+日韩+精品| 亚洲美女视频黄频| 欧美日韩av久久| 尾随美女入室| 成年女人毛片免费观看观看9 | 亚洲精品一区蜜桃| 国产黄色免费在线视频| 久久午夜福利片| 精品视频人人做人人爽| 国产极品粉嫩免费观看在线| 亚洲欧美中文字幕日韩二区| 成人亚洲精品一区在线观看| 一边亲一边摸免费视频| 亚洲美女搞黄在线观看| 视频在线观看一区二区三区| 好男人视频免费观看在线| 巨乳人妻的诱惑在线观看| 亚洲精品自拍成人| 亚洲欧美一区二区三区久久| 1024香蕉在线观看| 一级毛片 在线播放| 久久久久精品性色| 老汉色av国产亚洲站长工具| 亚洲精品国产一区二区精华液| 建设人人有责人人尽责人人享有的| 性高湖久久久久久久久免费观看| 91国产中文字幕| 欧美精品国产亚洲| 亚洲精品国产av成人精品| 国产在线一区二区三区精| 成人毛片60女人毛片免费| 国产精品一区二区在线不卡| 国产亚洲精品第一综合不卡| 亚洲天堂av无毛| 亚洲国产最新在线播放| 18+在线观看网站| 日韩伦理黄色片| 我要看黄色一级片免费的| 宅男免费午夜| 一本色道久久久久久精品综合| 99热全是精品| 午夜福利在线观看免费完整高清在| 久久午夜综合久久蜜桃| 一级爰片在线观看| 婷婷色综合大香蕉| 久久久久精品性色| h视频一区二区三区| 国产精品无大码| 天天躁日日躁夜夜躁夜夜| 少妇被粗大的猛进出69影院| 亚洲av成人精品一二三区| 黄色视频在线播放观看不卡| 国产av精品麻豆| 国产视频首页在线观看| 一个人免费看片子| 日本午夜av视频| www日本在线高清视频| 国产伦理片在线播放av一区| 久久久国产一区二区| 国产精品一区二区在线不卡| 在线观看一区二区三区激情| 日韩伦理黄色片| 国产 精品1| 美女高潮到喷水免费观看| 国产精品免费大片| 男女午夜视频在线观看| 免费观看a级毛片全部| 亚洲四区av| 精品人妻熟女毛片av久久网站| av免费在线看不卡| 纯流量卡能插随身wifi吗| 国产福利在线免费观看视频| 啦啦啦中文免费视频观看日本| 男人添女人高潮全过程视频| 五月伊人婷婷丁香| 人妻系列 视频| 久久精品人人爽人人爽视色| 青春草亚洲视频在线观看| 精品99又大又爽又粗少妇毛片| 边亲边吃奶的免费视频| 午夜91福利影院| 国产av一区二区精品久久| 久久精品久久久久久噜噜老黄| 汤姆久久久久久久影院中文字幕| 一区二区三区乱码不卡18| 少妇的逼水好多| 日韩精品有码人妻一区| 久久人人爽人人片av| 亚洲人成77777在线视频| 多毛熟女@视频| 三上悠亚av全集在线观看| 寂寞人妻少妇视频99o| 欧美日韩视频高清一区二区三区二| 国产乱人偷精品视频| 日韩av在线免费看完整版不卡| 精品少妇内射三级| 欧美激情 高清一区二区三区| 精品久久久久久电影网| 久热久热在线精品观看| 婷婷色麻豆天堂久久| 卡戴珊不雅视频在线播放| 久久精品熟女亚洲av麻豆精品| 美女主播在线视频| 亚洲欧美日韩另类电影网站| 欧美日韩一区二区视频在线观看视频在线| 国产1区2区3区精品| 亚洲三级黄色毛片| 亚洲综合色惰| 中文字幕制服av| 成人毛片a级毛片在线播放| 免费观看无遮挡的男女| 欧美激情 高清一区二区三区| av免费在线看不卡| 欧美亚洲日本最大视频资源| 久久久亚洲精品成人影院| 91精品伊人久久大香线蕉| 久久毛片免费看一区二区三区| 性少妇av在线| 999久久久国产精品视频| 母亲3免费完整高清在线观看 | kizo精华| 777米奇影视久久| 在线亚洲精品国产二区图片欧美| 欧美亚洲 丝袜 人妻 在线| 夜夜骑夜夜射夜夜干| 久久久久精品人妻al黑| 成人18禁高潮啪啪吃奶动态图| 国产一区有黄有色的免费视频| 欧美人与性动交α欧美精品济南到 | 婷婷色综合www| 精品少妇黑人巨大在线播放| 亚洲情色 制服丝袜| 少妇精品久久久久久久| 波多野结衣一区麻豆| 国产精品99久久99久久久不卡 | 久久久久视频综合| 在线观看www视频免费| 满18在线观看网站| 咕卡用的链子| 人人妻人人澡人人爽人人夜夜| 国产高清国产精品国产三级| 成年女人在线观看亚洲视频| 精品久久蜜臀av无| 新久久久久国产一级毛片| 午夜av观看不卡| 欧美日韩av久久| 成人亚洲欧美一区二区av| 天堂8中文在线网| 成年女人在线观看亚洲视频| 久久久久国产一级毛片高清牌| 女的被弄到高潮叫床怎么办| 亚洲美女黄色视频免费看| a级毛片黄视频| 国产男女超爽视频在线观看| 国产免费视频播放在线视频| 99国产精品免费福利视频| av网站在线播放免费| 另类精品久久| 看免费成人av毛片| 少妇的丰满在线观看| 国产黄色视频一区二区在线观看| 人人妻人人爽人人添夜夜欢视频| 国产极品粉嫩免费观看在线| 亚洲 欧美一区二区三区| 国产欧美日韩一区二区三区在线| 久久女婷五月综合色啪小说| 国产国语露脸激情在线看| 性色avwww在线观看| 欧美97在线视频| 2022亚洲国产成人精品| 日本爱情动作片www.在线观看| 精品亚洲乱码少妇综合久久| 久久人妻熟女aⅴ| 久久久精品区二区三区| 深夜精品福利| 国产麻豆69| www日本在线高清视频| 亚洲精华国产精华液的使用体验| 婷婷色综合大香蕉| 亚洲欧美清纯卡通| 午夜福利一区二区在线看| 观看av在线不卡| 夜夜骑夜夜射夜夜干| 少妇被粗大的猛进出69影院| 亚洲美女黄色视频免费看| av国产久精品久网站免费入址| 精品人妻在线不人妻| 桃花免费在线播放| av在线app专区| 五月伊人婷婷丁香| 天美传媒精品一区二区| 人人妻人人爽人人添夜夜欢视频| 久久热在线av| 亚洲,欧美精品.| 免费av中文字幕在线| 国产精品麻豆人妻色哟哟久久| 国产一区二区在线观看av| 国产精品久久久久久久久免| 国产熟女午夜一区二区三区| 老汉色∧v一级毛片| freevideosex欧美| 国产精品国产三级国产专区5o| 永久免费av网站大全| 夜夜骑夜夜射夜夜干| 夫妻性生交免费视频一级片| 好男人视频免费观看在线| 美女高潮到喷水免费观看| 午夜免费鲁丝| 日韩,欧美,国产一区二区三区| av天堂久久9| 日韩欧美一区视频在线观看| 国产男女内射视频| 久久精品aⅴ一区二区三区四区 | 亚洲国产精品国产精品| 久久久久久伊人网av| 久久99精品国语久久久| 欧美日韩精品网址| 麻豆av在线久日| 97人妻天天添夜夜摸| 满18在线观看网站| 下体分泌物呈黄色| av网站免费在线观看视频| 欧美国产精品va在线观看不卡| 国产熟女欧美一区二区| 欧美日韩国产mv在线观看视频| 欧美激情极品国产一区二区三区| 国产成人免费无遮挡视频| 国产在线视频一区二区| 一区二区三区四区激情视频| 国产精品.久久久| 免费观看性生交大片5| 国产精品二区激情视频| 观看美女的网站| 国产成人一区二区在线| 丰满迷人的少妇在线观看| 18+在线观看网站| 伦理电影免费视频| 免费在线观看完整版高清| 在线观看国产h片| 免费看不卡的av| 国产精品欧美亚洲77777| 精品一品国产午夜福利视频| 激情五月婷婷亚洲| 国产精品不卡视频一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 少妇精品久久久久久久| 又粗又硬又长又爽又黄的视频| 一级爰片在线观看| 日本猛色少妇xxxxx猛交久久| 日韩视频在线欧美| 97在线视频观看| 亚洲精品久久成人aⅴ小说| 午夜激情久久久久久久| 人妻 亚洲 视频| 国产激情久久老熟女| 国产色婷婷99| 久久久精品94久久精品| a级片在线免费高清观看视频| 激情五月婷婷亚洲| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲少妇的诱惑av| 成年女人毛片免费观看观看9 | 国产 精品1| 国产精品 国内视频| 亚洲欧美精品综合一区二区三区 | 春色校园在线视频观看| 肉色欧美久久久久久久蜜桃| 久久久久网色| 亚洲精品自拍成人| 免费看av在线观看网站| 26uuu在线亚洲综合色| 国产欧美日韩一区二区三区在线| 菩萨蛮人人尽说江南好唐韦庄| 三上悠亚av全集在线观看| 视频区图区小说| 九九爱精品视频在线观看| 亚洲欧洲国产日韩| 极品少妇高潮喷水抽搐| 欧美精品国产亚洲| 久久久欧美国产精品| 成人漫画全彩无遮挡| 欧美黄色片欧美黄色片| 一区二区三区四区激情视频| 成人亚洲欧美一区二区av| 一本久久精品| 交换朋友夫妻互换小说| 免费黄色在线免费观看| 午夜av观看不卡| 国产欧美日韩一区二区三区在线| 精品一区二区免费观看| 新久久久久国产一级毛片| 中文字幕色久视频| 午夜福利一区二区在线看| 中国国产av一级| 精品人妻熟女毛片av久久网站| 欧美精品国产亚洲| 成年女人在线观看亚洲视频| 久久午夜综合久久蜜桃| 免费大片黄手机在线观看| 99久久综合免费| 国产成人精品福利久久| 99九九在线精品视频| 国产av精品麻豆| 国产福利在线免费观看视频| 狂野欧美激情性bbbbbb| 国产精品成人在线| 女人被躁到高潮嗷嗷叫费观| 日韩制服骚丝袜av| 精品国产一区二区三区四区第35| 亚洲av男天堂| 青春草视频在线免费观看| 国产精品欧美亚洲77777| 熟女av电影| 久久青草综合色| 国产精品一区二区在线观看99| 咕卡用的链子| av网站免费在线观看视频| 三级国产精品片| 波多野结衣一区麻豆| www.自偷自拍.com| 爱豆传媒免费全集在线观看| 成年动漫av网址| 中文字幕最新亚洲高清| 国产成人精品福利久久| 99久久精品国产国产毛片| 交换朋友夫妻互换小说| 久久久久久免费高清国产稀缺| av福利片在线| 波多野结衣av一区二区av| 国产精品三级大全| 精品人妻熟女毛片av久久网站| 亚洲成人手机| 国产成人精品无人区| 人妻系列 视频| 少妇被粗大猛烈的视频| 欧美精品高潮呻吟av久久| 欧美国产精品一级二级三级| 精品人妻熟女毛片av久久网站| 99久久综合免费| 亚洲av日韩在线播放| 在线免费观看不下载黄p国产| 男人操女人黄网站| 男女午夜视频在线观看| 欧美另类一区| 日本黄色日本黄色录像| 夜夜骑夜夜射夜夜干| 丝袜人妻中文字幕| 乱人伦中国视频| 午夜激情久久久久久久| 不卡视频在线观看欧美| 日本欧美国产在线视频| 亚洲美女黄色视频免费看| 国产日韩欧美亚洲二区| 男女高潮啪啪啪动态图| 国产免费现黄频在线看| a 毛片基地| 亚洲色图 男人天堂 中文字幕| 亚洲伊人色综图| 国产精品三级大全| 女性生殖器流出的白浆| 黄色视频在线播放观看不卡| 国产欧美日韩综合在线一区二区| 美女中出高潮动态图| 久久99热这里只频精品6学生| 日本免费在线观看一区| 建设人人有责人人尽责人人享有的| 亚洲国产av新网站| 成人午夜精彩视频在线观看| av卡一久久| 纵有疾风起免费观看全集完整版| 国产一级毛片在线| 亚洲av福利一区| 亚洲精品美女久久久久99蜜臀 | 91精品伊人久久大香线蕉| 欧美xxⅹ黑人| 黄色 视频免费看| 视频区图区小说| 精品一品国产午夜福利视频| 久久 成人 亚洲| 午夜福利网站1000一区二区三区| 国产精品久久久久久精品古装| 亚洲国产av新网站| 18+在线观看网站| 精品国产国语对白av| 亚洲精品视频女| 亚洲av在线观看美女高潮| www.熟女人妻精品国产| 亚洲人成77777在线视频| 久久久久国产精品人妻一区二区| 精品国产一区二区久久| 久久久欧美国产精品| 精品国产国语对白av| 亚洲精品日韩在线中文字幕| 99久久人妻综合| 亚洲欧洲精品一区二区精品久久久 | av视频免费观看在线观看| 黄色毛片三级朝国网站| 天天躁夜夜躁狠狠久久av| 亚洲精品国产av蜜桃| 一级片'在线观看视频| 九草在线视频观看| 美女国产高潮福利片在线看| 久久精品久久久久久噜噜老黄| 午夜福利乱码中文字幕| 亚洲成人手机| 久久99精品国语久久久| 久久久久久久亚洲中文字幕| 一区二区三区四区激情视频| 人人妻人人爽人人添夜夜欢视频| 我要看黄色一级片免费的| 制服诱惑二区| 美女中出高潮动态图| 国产av国产精品国产| 中文天堂在线官网| 熟妇人妻不卡中文字幕| 欧美另类一区| 叶爱在线成人免费视频播放| 亚洲精品第二区| 日韩制服骚丝袜av| 亚洲,欧美精品.| 一本大道久久a久久精品| 两性夫妻黄色片| 欧美精品高潮呻吟av久久| xxxhd国产人妻xxx| av网站免费在线观看视频| 黑人巨大精品欧美一区二区蜜桃| 欧美日韩综合久久久久久| 国产日韩欧美视频二区| 各种免费的搞黄视频| 不卡视频在线观看欧美| 美女国产高潮福利片在线看| 亚洲欧美成人综合另类久久久| av视频免费观看在线观看| 日韩欧美精品免费久久| 青草久久国产| 久久狼人影院| 久久午夜福利片| 欧美人与性动交α欧美精品济南到 | 熟女电影av网| 飞空精品影院首页| 久久久精品94久久精品| 最近中文字幕2019免费版| 热re99久久精品国产66热6| 一级片'在线观看视频| 色94色欧美一区二区| 亚洲av综合色区一区| 中文字幕色久视频| 大香蕉久久网| 一级黄片播放器| 18禁裸乳无遮挡动漫免费视频| 亚洲成av片中文字幕在线观看 | 国产精品av久久久久免费| 黄网站色视频无遮挡免费观看| 日韩三级伦理在线观看| 久久精品熟女亚洲av麻豆精品| 91精品伊人久久大香线蕉| 亚洲精品久久久久久婷婷小说| 天天躁狠狠躁夜夜躁狠狠躁| av国产精品久久久久影院| 欧美精品人与动牲交sv欧美| 亚洲伊人色综图| 久久综合国产亚洲精品| 纵有疾风起免费观看全集完整版| 亚洲美女搞黄在线观看| 亚洲av电影在线观看一区二区三区| 国产成人精品久久久久久| 久久久久久人妻| 久久热在线av| 亚洲婷婷狠狠爱综合网| 青草久久国产| 久久这里有精品视频免费| 一区二区三区乱码不卡18| 最黄视频免费看|