• <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
    夜夜夜夜夜久久久久| 亚洲avbb在线观看| 精品第一国产精品| 亚洲一区二区三区色噜噜| 免费高清在线观看日韩| 精品久久久久久成人av| 亚洲国产高清在线一区二区三 | 波多野结衣一区麻豆| 亚洲一区中文字幕在线| 亚洲狠狠婷婷综合久久图片| 最近最新中文字幕大全电影3 | 久久九九热精品免费| 色婷婷久久久亚洲欧美| 久久精品人人爽人人爽视色| 国产精品一区二区在线不卡| 亚洲国产精品999在线| 国产欧美日韩综合在线一区二区| 一边摸一边做爽爽视频免费| 男女之事视频高清在线观看| 校园春色视频在线观看| 国产野战对白在线观看| 日本一区二区免费在线视频| 国产亚洲精品久久久久久毛片| 最近最新中文字幕大全免费视频| 热re99久久国产66热| 亚洲男人天堂网一区| 高清在线国产一区| 日本 av在线| 波多野结衣一区麻豆| 一区二区三区激情视频| 国产乱人伦免费视频| 51午夜福利影视在线观看| 啪啪无遮挡十八禁网站| 欧美乱妇无乱码| 一级,二级,三级黄色视频| 成人亚洲精品一区在线观看| 国产成人欧美在线观看| 一级作爱视频免费观看| 午夜福利高清视频| 欧美在线黄色| 免费不卡黄色视频| 波多野结衣高清无吗| 欧美日韩一级在线毛片| 乱人伦中国视频| 国产精品香港三级国产av潘金莲| 亚洲第一av免费看| 欧美成人午夜精品| 国产激情欧美一区二区| aaaaa片日本免费| 99国产精品一区二区蜜桃av| 淫秽高清视频在线观看| 亚洲一码二码三码区别大吗| 激情在线观看视频在线高清| 久久精品影院6| 午夜免费鲁丝| av有码第一页| 女人爽到高潮嗷嗷叫在线视频| 黄频高清免费视频| 色老头精品视频在线观看| 亚洲五月天丁香| 一区二区三区激情视频| 午夜成年电影在线免费观看| 国产亚洲欧美精品永久| 欧美人与性动交α欧美精品济南到| 美女高潮到喷水免费观看| 精品人妻1区二区| 成年版毛片免费区| 黄片播放在线免费| 国产成人欧美在线观看| 亚洲,欧美精品.| 国产激情欧美一区二区| 中文字幕另类日韩欧美亚洲嫩草| 激情在线观看视频在线高清| 禁无遮挡网站| 久久人人97超碰香蕉20202| 国产精品亚洲av一区麻豆| 精品国产一区二区久久| 久久人人精品亚洲av| 婷婷丁香在线五月| 久久中文看片网| 久久青草综合色| 久久中文字幕人妻熟女| 亚洲国产精品合色在线| 亚洲五月婷婷丁香| 91字幕亚洲| 大码成人一级视频| 久久天堂一区二区三区四区| 中文字幕久久专区| 嫩草影院精品99| 国产精品免费视频内射| 99香蕉大伊视频| 亚洲欧美精品综合久久99| 法律面前人人平等表现在哪些方面| 丰满人妻熟妇乱又伦精品不卡| 国产在线精品亚洲第一网站| 免费一级毛片在线播放高清视频 | 女人爽到高潮嗷嗷叫在线视频| 国产成人精品无人区| 日韩中文字幕欧美一区二区| 18禁黄网站禁片午夜丰满| 成人三级黄色视频| 国产aⅴ精品一区二区三区波| 99在线人妻在线中文字幕| 18禁国产床啪视频网站| 黄色视频不卡| 日本a在线网址| 后天国语完整版免费观看| 性少妇av在线| 在线免费观看的www视频| 国产亚洲精品av在线| 午夜福利在线观看吧| 乱人伦中国视频| 久久久久精品国产欧美久久久| 国产一区二区激情短视频| 欧美不卡视频在线免费观看 | 色尼玛亚洲综合影院| 国产精品爽爽va在线观看网站 | 日韩av在线大香蕉| 亚洲国产高清在线一区二区三 | 亚洲美女黄片视频| 国产在线精品亚洲第一网站| 制服丝袜大香蕉在线| 亚洲人成网站在线播放欧美日韩| 国产麻豆69| 亚洲第一青青草原| 女人爽到高潮嗷嗷叫在线视频| 国产成人影院久久av| 日本五十路高清| 两个人看的免费小视频| 久久人妻福利社区极品人妻图片| 亚洲电影在线观看av| 久久草成人影院| 变态另类丝袜制服| 国产精品98久久久久久宅男小说| 国产成人av教育| 18禁国产床啪视频网站| 国产免费男女视频| 久久香蕉激情| av视频免费观看在线观看| 韩国av一区二区三区四区| 两性夫妻黄色片| 免费少妇av软件| 一级毛片高清免费大全| 这个男人来自地球电影免费观看| 久久国产乱子伦精品免费另类| 国内精品久久久久精免费| 人成视频在线观看免费观看| 精品一区二区三区视频在线观看免费| 国产区一区二久久| 国产午夜精品久久久久久| 国产精品免费视频内射| 很黄的视频免费| 免费高清视频大片| 变态另类成人亚洲欧美熟女 | 国产av精品麻豆| 亚洲成av人片免费观看| aaaaa片日本免费| 中文字幕久久专区| 禁无遮挡网站| 日韩一卡2卡3卡4卡2021年| 夜夜躁狠狠躁天天躁| 国产精品亚洲av一区麻豆| 操出白浆在线播放| 国产成人影院久久av| 日韩av在线大香蕉| 久久久久久国产a免费观看| 两个人看的免费小视频| 国产成人系列免费观看| 国产aⅴ精品一区二区三区波| 欧美最黄视频在线播放免费| 亚洲成人精品中文字幕电影| 欧美色欧美亚洲另类二区 | 亚洲欧美日韩无卡精品| 亚洲欧美一区二区三区黑人| 老汉色∧v一级毛片| 国内久久婷婷六月综合欲色啪| 欧美黄色淫秽网站| 校园春色视频在线观看| 最近最新免费中文字幕在线| 亚洲国产看品久久| 又黄又爽又免费观看的视频| 少妇的丰满在线观看| videosex国产| 精品电影一区二区在线| xxx96com| 久久久久国内视频| 免费少妇av软件| 一本大道久久a久久精品| 久久久精品国产亚洲av高清涩受| 国产一区二区三区综合在线观看| 成年版毛片免费区| 亚洲av电影不卡..在线观看| 久久人妻福利社区极品人妻图片| 亚洲全国av大片| 欧美一级a爱片免费观看看 | 久久久久国产一级毛片高清牌| 国产一区二区三区在线臀色熟女| 国产高清视频在线播放一区| 黑人欧美特级aaaaaa片| 老鸭窝网址在线观看| av欧美777| 精品福利观看| 精品久久久久久成人av| 99国产精品一区二区蜜桃av| 亚洲成人精品中文字幕电影| 日韩欧美在线二视频| 美女高潮到喷水免费观看| 亚洲中文字幕一区二区三区有码在线看 | 老司机福利观看| 在线天堂中文资源库| 午夜激情av网站| 免费在线观看亚洲国产| 亚洲成人国产一区在线观看| 9热在线视频观看99| 中出人妻视频一区二区| 丝袜美腿诱惑在线| 亚洲av成人不卡在线观看播放网| 啦啦啦韩国在线观看视频| 波多野结衣一区麻豆| 国产成年人精品一区二区| 精品一区二区三区视频在线观看免费| 校园春色视频在线观看| 久久人妻熟女aⅴ| 亚洲 国产 在线| 可以在线观看毛片的网站| 午夜精品久久久久久毛片777| 国产一区二区三区综合在线观看| 亚洲成人久久性| 日日爽夜夜爽网站| 免费在线观看亚洲国产| 国产高清有码在线观看视频 | 男人舔女人的私密视频| 夜夜躁狠狠躁天天躁| 午夜精品久久久久久毛片777| 黄色视频不卡| 亚洲伊人色综图| 欧美乱色亚洲激情| 成熟少妇高潮喷水视频| 精品国产亚洲在线| 精品国内亚洲2022精品成人| 日韩有码中文字幕| 大陆偷拍与自拍| av天堂在线播放| 久久精品亚洲熟妇少妇任你| av片东京热男人的天堂| 欧美日本中文国产一区发布| 好男人电影高清在线观看| 男男h啪啪无遮挡| 夜夜夜夜夜久久久久| 成在线人永久免费视频| 亚洲av成人不卡在线观看播放网| 91九色精品人成在线观看| 精品欧美一区二区三区在线| 国产精品久久久久久人妻精品电影| 日韩 欧美 亚洲 中文字幕| 最新美女视频免费是黄的| 久久久久精品国产欧美久久久| 最近最新中文字幕大全电影3 | 人人妻人人爽人人添夜夜欢视频| 免费高清视频大片| 大型黄色视频在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 美女大奶头视频| 亚洲欧美日韩另类电影网站| 亚洲va日本ⅴa欧美va伊人久久| 在线观看66精品国产| 国产精品乱码一区二三区的特点 | 老司机在亚洲福利影院| 伦理电影免费视频| 中亚洲国语对白在线视频| 18禁黄网站禁片午夜丰满| 99国产综合亚洲精品| 精品一品国产午夜福利视频| 国产成人欧美| 欧美日韩黄片免| 久久人人97超碰香蕉20202| 日韩欧美国产一区二区入口| 最好的美女福利视频网| 搡老岳熟女国产| 国产主播在线观看一区二区| 黄片小视频在线播放| 国产成人精品在线电影| 亚洲精品一区av在线观看| 亚洲熟女毛片儿| 又黄又粗又硬又大视频| 人人澡人人妻人| 亚洲第一欧美日韩一区二区三区| 十八禁人妻一区二区| 日韩欧美免费精品| 国产一区二区三区综合在线观看| 国产不卡一卡二| 人人妻,人人澡人人爽秒播| 亚洲中文字幕日韩| 超碰成人久久| 国产一级毛片七仙女欲春2 | 精品第一国产精品| 亚洲av片天天在线观看| 欧美精品亚洲一区二区| 身体一侧抽搐| 国产真人三级小视频在线观看| 欧美+亚洲+日韩+国产| 不卡一级毛片| 手机成人av网站| 亚洲中文日韩欧美视频| 国产日韩一区二区三区精品不卡| 在线观看免费视频日本深夜| av欧美777| 久久人妻福利社区极品人妻图片| 欧美丝袜亚洲另类 | 男女午夜视频在线观看| av免费在线观看网站| 91九色精品人成在线观看| 50天的宝宝边吃奶边哭怎么回事| 亚洲成国产人片在线观看| av福利片在线| 高清毛片免费观看视频网站| 18禁美女被吸乳视频| av在线天堂中文字幕| 久久天堂一区二区三区四区| 色在线成人网| 亚洲激情在线av| 午夜福利18| 午夜精品国产一区二区电影| 国产乱人伦免费视频| 免费在线观看视频国产中文字幕亚洲| 精品欧美国产一区二区三| 最近最新中文字幕大全免费视频| videosex国产| 19禁男女啪啪无遮挡网站| 国产精品免费一区二区三区在线| 日韩欧美一区视频在线观看| 国产成人系列免费观看| 波多野结衣av一区二区av| 人人妻人人澡欧美一区二区 | a级毛片在线看网站| 国产精品 国内视频| 久久精品国产亚洲av高清一级| 亚洲性夜色夜夜综合| 国产av精品麻豆| 大陆偷拍与自拍| 久久中文字幕一级| 叶爱在线成人免费视频播放| 欧美日本中文国产一区发布| 黄片小视频在线播放| 国产私拍福利视频在线观看| 亚洲国产看品久久| 国产不卡一卡二| 一级a爱片免费观看的视频| 久久人人精品亚洲av| 此物有八面人人有两片| 日韩免费av在线播放| 久久婷婷成人综合色麻豆| 精品国产亚洲在线| 999久久久精品免费观看国产| 国产精品亚洲一级av第二区| 国产精品99久久99久久久不卡| 老熟妇乱子伦视频在线观看| 欧美日韩瑟瑟在线播放| 搞女人的毛片| 欧美绝顶高潮抽搐喷水| 成人精品一区二区免费| 色综合婷婷激情| 黑人操中国人逼视频| 久久久久久久久中文| 精品久久久久久久人妻蜜臀av | 中文字幕高清在线视频| 精品高清国产在线一区| 成人欧美大片| 成人欧美大片| 黑人操中国人逼视频| 成人永久免费在线观看视频| 窝窝影院91人妻| 91精品国产国语对白视频| 欧美乱码精品一区二区三区| 国产蜜桃级精品一区二区三区| 欧美成人一区二区免费高清观看 | 亚洲一区中文字幕在线| 欧美激情久久久久久爽电影 | 国产精品二区激情视频| 亚洲av成人av| 欧美激情极品国产一区二区三区| 国产一区二区在线av高清观看| 免费高清视频大片| 国产精品久久久人人做人人爽| 丰满的人妻完整版| 国产免费av片在线观看野外av| 99re在线观看精品视频| 国产高清激情床上av| 久久天堂一区二区三区四区| 91麻豆精品激情在线观看国产| 国产成人系列免费观看| avwww免费| 亚洲成人国产一区在线观看| 亚洲av成人av| 亚洲精品国产精品久久久不卡| 欧美黑人欧美精品刺激| 亚洲熟妇熟女久久| 亚洲中文av在线| 国产精品自产拍在线观看55亚洲| 国产成人精品在线电影| 大陆偷拍与自拍| 国产伦人伦偷精品视频| 午夜福利视频1000在线观看 | 久久久久亚洲av毛片大全| 满18在线观看网站| 午夜精品在线福利| 欧美国产日韩亚洲一区| 国产精品1区2区在线观看.| 日韩 欧美 亚洲 中文字幕| 少妇裸体淫交视频免费看高清 | 久久久精品国产亚洲av高清涩受| 女警被强在线播放| 欧美日韩亚洲国产一区二区在线观看| 最新美女视频免费是黄的| netflix在线观看网站| 97人妻天天添夜夜摸| 国产一区二区三区视频了| 最好的美女福利视频网| 在线永久观看黄色视频| 亚洲精品粉嫩美女一区| 狠狠狠狠99中文字幕| 欧美激情高清一区二区三区| 久久天躁狠狠躁夜夜2o2o| 女警被强在线播放| 亚洲自偷自拍图片 自拍| 国产成人系列免费观看| 久久中文字幕一级| 中文字幕人妻熟女乱码| 成人精品一区二区免费| 欧美+亚洲+日韩+国产| 国产精品自产拍在线观看55亚洲| 女人精品久久久久毛片| 一边摸一边抽搐一进一出视频| 欧美国产精品va在线观看不卡| 亚洲中文字幕一区二区三区有码在线看 | 自线自在国产av| 日韩精品免费视频一区二区三区| 黄色女人牲交| 女生性感内裤真人,穿戴方法视频| 免费女性裸体啪啪无遮挡网站| 最近最新中文字幕大全免费视频| 亚洲精华国产精华精| 国产成人一区二区三区免费视频网站| 操美女的视频在线观看| 国产成人欧美在线观看| 我的亚洲天堂| 久久精品亚洲精品国产色婷小说| 久热爱精品视频在线9| 亚洲欧美激情在线| 欧美日韩精品网址| 国产高清有码在线观看视频 | 我的亚洲天堂| 人人妻,人人澡人人爽秒播| 老鸭窝网址在线观看| 国产欧美日韩综合在线一区二区| 亚洲成国产人片在线观看| 国产精品永久免费网站| 在线观看舔阴道视频| 国产精品亚洲美女久久久| 身体一侧抽搐| 日本 av在线| or卡值多少钱| 久久久久国内视频| 精品久久蜜臀av无| 精品国内亚洲2022精品成人| 少妇熟女aⅴ在线视频| 成人特级黄色片久久久久久久| 国产精品影院久久| 精品国产美女av久久久久小说| 亚洲av电影在线进入| 久久精品成人免费网站| aaaaa片日本免费| 丁香六月欧美| 九色亚洲精品在线播放| 欧美+亚洲+日韩+国产| 精品一品国产午夜福利视频| 久久精品人人爽人人爽视色| 久久性视频一级片| 欧美另类亚洲清纯唯美| 国产精品亚洲美女久久久| 成人精品一区二区免费| 99精品欧美一区二区三区四区| 18禁裸乳无遮挡免费网站照片 | 午夜福利18| www.999成人在线观看| 欧美成人一区二区免费高清观看 | 日韩欧美免费精品| 老司机午夜十八禁免费视频| 50天的宝宝边吃奶边哭怎么回事| 日本黄色视频三级网站网址| 亚洲成人国产一区在线观看| 男女下面插进去视频免费观看| 性欧美人与动物交配| 超碰成人久久| 国产又色又爽无遮挡免费看| 日韩av在线大香蕉| 熟女少妇亚洲综合色aaa.| 久久精品亚洲熟妇少妇任你| 免费少妇av软件| 国产成人精品久久二区二区91| 自拍欧美九色日韩亚洲蝌蚪91| 欧美绝顶高潮抽搐喷水| 免费少妇av软件| 99国产精品一区二区蜜桃av| 日韩欧美在线二视频| 黑人巨大精品欧美一区二区mp4| 1024香蕉在线观看| 两性夫妻黄色片| 中文字幕av电影在线播放| 此物有八面人人有两片| 精品国产乱码久久久久久男人| 老司机午夜福利在线观看视频| 亚洲午夜精品一区,二区,三区| 久久精品aⅴ一区二区三区四区| 国产精品久久视频播放| 久久热在线av| 色哟哟哟哟哟哟| 亚洲av日韩精品久久久久久密| 可以在线观看的亚洲视频| 亚洲精品国产一区二区精华液| 国产乱人伦免费视频| 欧美黄色片欧美黄色片| 国产国语露脸激情在线看| 国产成+人综合+亚洲专区| 男女下面进入的视频免费午夜 | 午夜视频精品福利| 在线观看日韩欧美| 欧美+亚洲+日韩+国产| 久9热在线精品视频| 在线观看66精品国产| 欧美日韩乱码在线| 麻豆一二三区av精品| 日韩欧美一区二区三区在线观看| 精品无人区乱码1区二区| 亚洲精品在线美女| 亚洲国产欧美一区二区综合| 欧美最黄视频在线播放免费| 波多野结衣av一区二区av| 18禁裸乳无遮挡免费网站照片 | 免费女性裸体啪啪无遮挡网站| 在线播放国产精品三级| 午夜精品国产一区二区电影| 一个人免费在线观看的高清视频| 校园春色视频在线观看| 亚洲 欧美 日韩 在线 免费| 90打野战视频偷拍视频| 日本在线视频免费播放| 大型黄色视频在线免费观看| 男女下面插进去视频免费观看| 50天的宝宝边吃奶边哭怎么回事| 久久国产乱子伦精品免费另类| 色精品久久人妻99蜜桃| 日日爽夜夜爽网站| 男人舔女人下体高潮全视频| 嫁个100分男人电影在线观看| av免费在线观看网站| 亚洲国产精品成人综合色| 中文字幕av电影在线播放| 亚洲成av片中文字幕在线观看| www.熟女人妻精品国产| 午夜福利18| 一级作爱视频免费观看| 国产亚洲av高清不卡| av网站免费在线观看视频| 高清黄色对白视频在线免费看| 法律面前人人平等表现在哪些方面| 日韩视频一区二区在线观看| 欧美黄色淫秽网站| 久久久精品国产亚洲av高清涩受| 91精品国产国语对白视频| 啦啦啦免费观看视频1| 制服诱惑二区| 久久国产精品人妻蜜桃| av电影中文网址| 波多野结衣高清无吗| 在线天堂中文资源库| 性欧美人与动物交配| 欧美精品啪啪一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩亚洲综合一区二区三区_| av在线天堂中文字幕| 一区在线观看完整版| 精品国产乱子伦一区二区三区| 女人被躁到高潮嗷嗷叫费观| or卡值多少钱| 可以免费在线观看a视频的电影网站| 午夜福利影视在线免费观看| 久久中文看片网| 99香蕉大伊视频| 日本vs欧美在线观看视频| 美国免费a级毛片| 搡老岳熟女国产| www.www免费av| 丝袜美足系列| 国产欧美日韩一区二区三| 国产精华一区二区三区| 免费在线观看日本一区| 久久欧美精品欧美久久欧美| 一夜夜www| 国产成人啪精品午夜网站| 亚洲三区欧美一区| 亚洲九九香蕉| 精品国产乱子伦一区二区三区| 精品一区二区三区视频在线观看免费| 亚洲视频免费观看视频| 精品一区二区三区四区五区乱码| 精品卡一卡二卡四卡免费| 日本五十路高清| 日韩大码丰满熟妇| 一本综合久久免费| 在线观看免费视频网站a站| 免费在线观看亚洲国产| 国产成人欧美| 大香蕉久久成人网| 国产精品99久久99久久久不卡|