• <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 ?

    利用多模態(tài)U形網(wǎng)絡(luò)的CT圖像前列腺分割

    2018-11-05 09:13:06凌彤楊琬琪楊明
    智能系統(tǒng)學(xué)報 2018年6期
    關(guān)鍵詞:前列腺癌卷積模態(tài)

    凌彤,楊琬琪,楊明

    前列腺癌在歐美等國家是最常見的泌尿系惡性腫瘤,在所有直接導(dǎo)致死亡原因的腫瘤中排在第2位,隨著我國人口老齡化,前列腺癌的發(fā)生率也越來越高[1]。對前列腺癌進(jìn)行影像引導(dǎo)放射治療是診治該疾病的關(guān)鍵步驟之一。

    影像引導(dǎo)放射治療前列腺,通常是對患者進(jìn)行CT等影像檢查后,由醫(yī)生手動分割影像圖像前列腺癌病變部分。但是手動分割病變需要耗費一定的時間與精力,且不同的醫(yī)生依據(jù)自己的工作經(jīng)驗對病變分割的結(jié)果存在一定的差異性,在某種程度上會影響分割的精度,進(jìn)而影響對病癥的診斷。因此,準(zhǔn)確地自動分割對前列腺癌的診斷是十分重要的。

    CT檢查具有快速、薄層、大范圍掃描等優(yōu)勢,且檢查時間較短,但是由于圖像的低對比度,使得前列腺與周圍組織結(jié)構(gòu)顯像并不清晰,給圖像的自動分割造成了一定的困難。而MRI檢查軟組織分辨率高,圖像對比度好,在顯示腫瘤本身以及前列腺包膜、周圍組織等方面較 CT 更有優(yōu)勢[2]。為了提高CT圖像的分割精度,對CT圖像進(jìn)行更有效地自動分割,我們提出利用MRI的高分辨率特點去幫助CT圖像分割前列腺癌的病變部分。

    針對這一想法,本文提出一種新的基于深度學(xué)習(xí)的多模態(tài)U形網(wǎng)絡(luò)圖像分割模型MM-unet:1)運用深度學(xué)習(xí)遷移的思想,借用其他MRI數(shù)據(jù)集(即PROMISE12)輔助訓(xùn)練MRI圖像的初始分割模型,進(jìn)而將訓(xùn)練好的MRI圖像初始分割模型進(jìn)行遷移到CT圖像的初始分割模型中;2)通過設(shè)計一種新型的多模態(tài)損失函數(shù)MM-Loss,衡量MRI與CT不同模態(tài)分割模型間的一致性,并建立它們之間的聯(lián)系;聯(lián)合訓(xùn)練基于MRI與CT 圖像的MM-unet,使用監(jiān)督學(xué)習(xí)的方式讓兩個模態(tài)互相學(xué)習(xí),使CT圖像能夠借助MRI提供的影像信息來提高自身的分割精度。

    1 相關(guān)工作

    醫(yī)學(xué)圖像不同于一般的圖像,具有一定的復(fù)雜性、多樣性、不規(guī)則性等特點,因此很多用于處理一般圖像的分割方法不能直接用于醫(yī)學(xué)圖像處理。而CT圖像由于軟組織結(jié)構(gòu)對比度低的特點,使得其分割難度加大。為解決這一問題,近年來有不少研究者提出若干CT前列腺圖像分割方法,如文獻(xiàn)[3]提出基于特征學(xué)習(xí)的框架實現(xiàn)精準(zhǔn)定位的分割方法,文獻(xiàn)[4]提出從之前分割好的訓(xùn)練圖像中建立可變形的器官模型實現(xiàn)自動分割的方法,文獻(xiàn)[5]提出基于稀疏表示的分類器分割的方法等。上述方法都是利用單模態(tài)圖像信息對CT圖像實現(xiàn)分割,而本文提出的多模態(tài)U形網(wǎng)絡(luò)分割方法是充分利用多模態(tài)圖像信息。

    單模態(tài),是使用一種成像設(shè)備得到的圖像;而多模態(tài)圖像是使用兩種以上成像設(shè)備得到。不同模態(tài)的圖像有著各自的成像特點,能為同一組織結(jié)構(gòu)提供不盡相同的影像信息;而使用多模態(tài)圖像能夠結(jié)合不同模態(tài)的影像信息以幫助更全面的疾病診斷。如文獻(xiàn)[6]提出的多模態(tài)堆疊深度多項式網(wǎng)絡(luò)通過融合與學(xué)習(xí)多個模態(tài)的特征表示來診斷阿爾茨海默??;文獻(xiàn)[7]提出的變換深度卷積網(wǎng)絡(luò)通過融合不同模態(tài)的圖像特征對椎體識別更加有效。這兩種方法與本文所提方法均是基于深度學(xué)習(xí)的方法。

    深度學(xué)習(xí)具有強(qiáng)大的特征學(xué)習(xí)與表達(dá)能力,其概念起源于2006年Hinton等在Neural Computation發(fā)表的文獻(xiàn)[8],但真正引起學(xué)術(shù)界廣泛關(guān)注的是2012年Krizhevsky等提出的深度卷積神經(jīng)網(wǎng)絡(luò)Alexnet模型[9]。在那之后,深度學(xué)習(xí)迅猛發(fā)展,且多用于語音識別、圖像分類檢測、目標(biāo)追蹤等領(lǐng)域。此外,深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分割中的應(yīng)用也是十分廣泛,如文獻(xiàn)[10]提出的基于三維卷積神經(jīng)網(wǎng)絡(luò)分割椎體MRI圖像,文獻(xiàn)[11]提出的基于遞歸神經(jīng)網(wǎng)絡(luò)分割肌束膜病理圖像,文獻(xiàn)[12]提出的基于多尺度特征融合的深度三維卷積編碼網(wǎng)絡(luò)分割多發(fā)性硬化癥病變等。

    由于深度學(xué)習(xí)的模型訓(xùn)練往往需要大量的數(shù)據(jù)儲備,為提升其模型精度且防止過擬合問題,研究者們運用遷移學(xué)習(xí),將預(yù)訓(xùn)練好的其他網(wǎng)絡(luò)模型遷移到目標(biāo)模型中,如文獻(xiàn)[13]提出使用基礎(chǔ)數(shù)據(jù)集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型,使用目標(biāo)數(shù)據(jù)集微調(diào)該模型中學(xué)習(xí)到的特征,分別通過選擇性遷移與直接遷移來訓(xùn)練目標(biāo)模型,以提高其模型的泛化能力;文獻(xiàn)[14]提出的級聯(lián)深度自適應(yīng)(CDDA)模型通過使用醫(yī)生手工標(biāo)注的掩模在具有不同掩膜比的原始CT圖像上疊加來構(gòu)建多個連續(xù)源域,并將這些源域上學(xué)習(xí)到的特征遷移到目標(biāo)域中。

    2 卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型

    2.1 網(wǎng)絡(luò)結(jié)構(gòu)常用層

    卷積層[15](convolution layer,Conv),是卷積神經(jīng)網(wǎng)絡(luò)的核心層,通常使用卷積核與輸入的特征圖進(jìn)行卷積操作以實現(xiàn)特征的提??;池化層(pooling layer),通常是對卷積層輸出的特征圖進(jìn)行下采樣操作以降低維度并保留有用的信息,有效地防止過擬合,常見的方法有最大池化、均值池化等;修正線性單元[16](rectified linear unit, ReLU),是一種激活函數(shù),用于加快網(wǎng)絡(luò)訓(xùn)練的收斂速度;反卷積層[17](deconvolution layer,Deconv),可以看作是卷積層的逆操作,用于圖像分割中對輸入特征圖的重構(gòu)。

    2.2 單模態(tài)U形網(wǎng)絡(luò)

    醫(yī)學(xué)圖像具有復(fù)雜多樣化、線條不規(guī)律等特點,分割時對于圖像中的組織結(jié)構(gòu)等細(xì)節(jié)信息需要進(jìn)行精準(zhǔn)定位,才能有效地提高分割精度。而文獻(xiàn)[18]提出的全卷積神經(jīng)網(wǎng)絡(luò)U-net模型有效地解決了這一問題,在醫(yī)學(xué)圖像分割中取得了好的表現(xiàn)。

    U-net模型是由兩個路徑呈對稱狀組成,一個收縮路徑用于獲得圖像信息,一個擴(kuò)展路徑用于實現(xiàn)精確定位。本文中,我們使用了U-net模型并作了一些調(diào)整,除最后一層卷積層外,每層卷積層后都增加了一層批處理歸一化[19](batch normalization,BN),用來優(yōu)化反向傳播中的梯度問題,并將卷積層填充參數(shù)設(shè)為1,去掉原始的裁剪層,以確保輸入、輸出的圖像大小保持一致,便于圖像的處理。調(diào)整后的模型稱為單模態(tài)U形網(wǎng)絡(luò)。

    本文訓(xùn)練的CT圖像單模態(tài)U形網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。我們將兩層3×3大小的卷積層,每層后加上一層修正線性單元與批處理歸一化(ReLU+BN)稱為一個塊結(jié)構(gòu)(Block)。在左邊的收縮路徑中,輸入的CT圖像經(jīng)過3次塊結(jié)構(gòu)與步長為2的2×2大小最大池化層(Pooling)的下采樣操作,且每次下采樣時都加倍通道數(shù);之后經(jīng)過一個塊結(jié)構(gòu)后進(jìn)入擴(kuò)展路徑,再經(jīng)過3次塊結(jié)構(gòu)與步長為2的2×2大小反卷積層(Deconv)的上采樣操作,每次上采樣時減半通道數(shù):最后通過一層1×1大小的卷積層[20]映射到目標(biāo)的類別,使用交叉熵?fù)p失函數(shù)計算輸出的特征圖與標(biāo)記圖像的像素值距離,得到輸出圖像。

    圖1 訓(xùn)練CT圖像的單模態(tài)U形網(wǎng)絡(luò) (CT-unet)Fig. 1 Singlemodal U-net for training CT images (CT-unet)

    3 方法

    本節(jié)詳細(xì)介紹所提出的CT圖像分割方法,主要考慮3個方面:1)充分利用MRI模態(tài)的信息指導(dǎo)CT圖像分割;2) 構(gòu)造MRI與CT之間的中間模態(tài)圖像,以縮小與CT模態(tài)圖像的差異;3)設(shè)計多模態(tài)損失函數(shù)MM-Loss,衡量MRI與CT模態(tài)間的相關(guān)性,通過聯(lián)合學(xué)習(xí)訓(xùn)練MM-unet模型。

    3.1 單模態(tài)MRI模型指導(dǎo)CT圖像分割

    MRI前列腺圖像具有分辨率高、對比度好的特點,與CT圖像相比,顯像更為清晰。一般來說,使用同一標(biāo)記圖像的數(shù)據(jù)集訓(xùn)練時,MRI的分割結(jié)果會優(yōu)于CT圖像,但由于訓(xùn)練樣本有限,MRI模型的分割精度會受影響。所以在利用MRI圖像特點幫助CT圖像分割時,應(yīng)當(dāng)盡可能地提高M(jìn)RI模型的分割精度,有效地防止過擬合,才能指導(dǎo)CT圖像更好地分割。因此,本文運用遷移學(xué)習(xí)的思想,首先充分利用其他前列腺圖像的MRI數(shù)據(jù)集訓(xùn)練單模態(tài)U形網(wǎng)絡(luò),得到的參數(shù)模型去初始化訓(xùn)練與CT圖像配準(zhǔn)的MRI數(shù)據(jù)集,以期望獲得分割精度較高的MRI模型,然后再將MRI模型參數(shù)作為初始模型參數(shù),精化訓(xùn)練CT單模態(tài)U形網(wǎng)絡(luò)(CT-unet),幫助提高CT圖像的分割精度。

    不同于CT圖像分割的單模態(tài)U形網(wǎng)絡(luò),由于MRI圖像展示的細(xì)節(jié)信息豐富且清晰,我們使用具有4次下采樣、上采樣操作的單模態(tài)U形網(wǎng)絡(luò)模型(MRI-unet)來訓(xùn)練,以便在模型最底層能夠更精確地捕獲MRI的圖像信息。

    3.2 單模態(tài)CT-MRI模型指導(dǎo)CT圖像分割

    MRI與CT兩個模態(tài)圖像因為成像原理不同,圖像外觀存在明顯的差異性,可能會使模態(tài)之間的學(xué)習(xí)受到一些影響。為減小這種影響,需要減小MRI與CT圖像外觀的差異性。對此,本文將對應(yīng)同一標(biāo)記已經(jīng)配準(zhǔn)的MRI與CT圖像都進(jìn)行歸一化處理,再對它們使用取均值操作構(gòu)造出新的CT-MRI圖像。從外觀的表現(xiàn)來看,CT-MRI圖像既有CT圖像的特點,又有MRI圖像的特點。

    我們使用具有4次下采樣、上采樣操作的單模態(tài)U形網(wǎng)絡(luò)模型訓(xùn)練CT-MRI圖像 (CT-MRI-unet)。首先利用MRI模型參數(shù)作為初始模型,精化訓(xùn)練CT-MRI模型,進(jìn)而將訓(xùn)練好的CTMRI模型進(jìn)行遷移訓(xùn)練CT-unet模型,幫助提高CT圖像的分割精度。

    3.3 基于多模態(tài)U形網(wǎng)絡(luò)的CT圖像分割

    由于不同的模態(tài)圖像有各自的特點,提供的影像信息不完全相同,如果將多模態(tài)圖像提供的信息結(jié)合起來,充分利用其互補(bǔ)性,則有利于提高單模態(tài)圖像的分割精度。因此,本文提出基于多模態(tài)U形網(wǎng)絡(luò)(MM-unet)的CT圖像分割方法,如圖2所示,由MRI-unet與CT-unet構(gòu)成的,使用了一個MM-Loss損失函數(shù)用以建立MRI與CT兩個單模態(tài)U形模型之間的聯(lián)系。

    圖2 MM-unet模型Fig. 2 Multimodal U-unet model

    兩個單模態(tài)U形網(wǎng)絡(luò)同時訓(xùn)練各自的模態(tài)圖像,通過收縮路徑獲取底層圖像信息,擴(kuò)展路徑實現(xiàn)高層信息的提取,在最后一層卷積層使用MM-Loss損失函數(shù)對MRI與CT圖像進(jìn)行相似性度量。MM-Loss損失函數(shù)的定義如下:

    式中:ai、bi為輸入的MRI與CT圖像對應(yīng)的分割結(jié)果概率圖,N、C、H、W為輸入圖像的數(shù)量、通道、高度、寬度,y為標(biāo)記圖像。

    輸入MRI與CT圖像,對于它們共同對應(yīng)的標(biāo)記圖像的分割部分,約束它們相似的部分盡可能接近;對標(biāo)記圖像的背景部分,促使它們成為分割目標(biāo)的概率值盡可能地小。以此使兩個模態(tài)圖像的分割模型能夠?qū)τ诜指钅繕?biāo)進(jìn)行互相學(xué)習(xí)。

    3.4 算法流程

    本文方法的整個流程如圖3所示。數(shù)據(jù)集經(jīng)過預(yù)處理工作后分為訓(xùn)練集與測試集,在訓(xùn)練階段,使用訓(xùn)練集訓(xùn)練分割模型,算法如圖3虛線框部分,其操作步驟如下:

    1)使用PROMISE12數(shù)據(jù)集[21]預(yù)訓(xùn)練得到的P-MRI-unet模型(詳見4.5節(jié)實驗1),進(jìn)行遷移訓(xùn)練 MRI-unet模型;

    2)構(gòu)造CT-MRI圖像,將1)中得到的MRI-unet模型進(jìn)行遷移訓(xùn)練CT-MRI-unet模型;

    3)將2)中得到的CT-MRI-unet模型進(jìn)行遷移訓(xùn)練CT- unet模型;

    4)將1)中得到的MRI-unet模型與3)中得到的CT-unet模型進(jìn)行遷移訓(xùn)練MM-unet模型。

    在測試階段,使用訓(xùn)練階段最終得到的MM-unet模型對測試集里的CT圖像進(jìn)行分割,得到CT圖像的分割結(jié)果圖。

    圖3 基于深度學(xué)習(xí)模型的前列腺CT圖像分割流程圖Fig. 3 The flowchart of deep learning model for prostate segmentation in CT images

    4 實驗

    4.1 數(shù)據(jù)集

    我們使用的前列腺數(shù)據(jù)集有兩個,一個是網(wǎng)上公開的PROMISE12數(shù)據(jù)集[21],一個是某合作醫(yī)院提供的Prostate數(shù)據(jù)集。PROMISE12數(shù)據(jù)集含有50個患者的MRI圖像與相對應(yīng)的手工標(biāo)記圖像,圖像大小不一。刪去無病變的MRI圖像與標(biāo)記圖像,并將其余的癌病變圖像大小統(tǒng)一調(diào)整到256×256,共得到778張MRI圖像與778張標(biāo)記圖;使用前40個患者的樣本作為訓(xùn)練集,后10個患者的樣本作為驗證集訓(xùn)練模型。Prostate數(shù)據(jù)集含有22個患者的CT、MRI與相對應(yīng)的病變標(biāo)記圖像,已經(jīng)過配準(zhǔn)處理,大小為153×193。為便于訓(xùn)練,我們將圖像大小統(tǒng)一調(diào)整到256×256,共得到 658張 CT、658張MRI與658張標(biāo)記圖;采用二折交叉驗證的方式,第一折使用前11個患者的樣本作為訓(xùn)練集,后11個患者的樣本作為測試集進(jìn)行測試;第二折使用后11個患者的樣本作為訓(xùn)練集,前11個患者的樣本作為測試集進(jìn)行測試。

    4.2 預(yù)處理工作

    為加快模型的訓(xùn)練速度,優(yōu)化訓(xùn)練過程,我們對數(shù)據(jù)集進(jìn)行了歸一化處理。歸一化操作定義為

    式中:X為圖像像素,μ為圖像像素值的均值,σ為圖像像素值的標(biāo)準(zhǔn)差。

    4.3 實驗設(shè)置

    本文是在深度學(xué)習(xí)框架Caffe[22]上進(jìn)行的實驗。在模型的訓(xùn)練階段批處理參數(shù)設(shè)置為2,測試階段的批處理設(shè)置為1,使用隨機(jī)梯度下降[23]求解器與0.9的動量參數(shù),固定策略的學(xué)習(xí)率,大小為10-6,權(quán)重衰減為0.005。

    4.4 評價標(biāo)準(zhǔn)

    我們使用常用的重合率(Dice)、查準(zhǔn)率(Precision)、查全率(Recall)指標(biāo)[24]來度量自動分割圖像與手工標(biāo)記圖像之間的差異,以用于評價實驗結(jié)果。

    定義公式如下:

    式中:AS為自動分割圖像,MS為醫(yī)生手工標(biāo)記圖像。

    4.5 實驗與結(jié)果

    本節(jié)通過3個實驗來驗證我們的方法的有效性。

    實驗1 為評估MRI模型指導(dǎo)CT圖像分割的精度,我們使用PROMISE12數(shù)據(jù)集訓(xùn)練MRI-unet,獲得的模型作為初始模型用于訓(xùn)練Prostate數(shù)據(jù)集里的MRI圖像,訓(xùn)練后得到MRI參數(shù)模型。將MRI參數(shù)模型進(jìn)行遷移學(xué)習(xí)得到CT-unet模型,用于對CT測試圖像進(jìn)行分割,該方法記作 MRI→CT-unet;

    實驗2 為評估CT-MRI模型指導(dǎo)CT圖像分割的精度,我們使用Prostate數(shù)據(jù)集里的MRI與CT圖像構(gòu)造CT-MRI圖像,使用實驗1里的MRI參數(shù)模型作為初始模型訓(xùn)練CT-MRI圖像,得到的CT-MRI模型再遷移到用于CT圖像分割的CT-unet中,用于對CT測試圖像進(jìn)行分割,該方法記作 CT-MRI→CT-unet;

    實驗3 為評估并驗證文中提出的MM-unet模型的有效性,我們使用實驗1的MRI參數(shù)模型、實驗2中通過CT-MRI參數(shù)模型遷移學(xué)習(xí)后的CT參數(shù)模型,分別作為MM-unet模型的MRI部分與CT部分的初始模型進(jìn)行訓(xùn)練,得到的多模態(tài)參數(shù)模型用于對CT測試圖像進(jìn)行分割,該方法記作MM-unet。

    3個實驗的CT圖像分割結(jié)果如表1所示。從表格中可看出,第2個方法因為構(gòu)造的CT-MRI圖像減少了MRI與CT圖像的外觀差異,使其指導(dǎo)CT圖像分割的重合率、查準(zhǔn)率、查全率均高于第一個方法;相比前兩個方法,第3個方法的重合率、查全率最高。

    表 1 CT圖像分割實驗結(jié)果Table 1 Experimental results of CT segmentation %

    使用統(tǒng)計性t檢驗對MM-unet模型方法與其他方法的重合率Dice進(jìn)行比較,P值小于0.05,說明MM-unet顯著地優(yōu)于其他方法。

    4.6 比較實驗

    本節(jié)將我們的方法(即上述實驗中表現(xiàn)最好的MM-unet方法)與U-net模型方法[18]、CDDA模型[14]方法、無初參的MM-unet模型方法作比較,評價分割結(jié)果如表2所示。

    表 2 不同模型的實驗結(jié)果對比Table 2 Comparisons of experimental results on different models %

    為進(jìn)一步展示所提方法的分割優(yōu)勢,部分圖像可視化結(jié)果如圖4所示,紅色方框為醫(yī)生手工標(biāo)注的前列腺癌病變部分。第1排圖像綠色方框為U-net模型分割的病變部分,第2排圖像藍(lán)色方框為遷移學(xué)習(xí)的MM-unet模型分割病變的部分。

    通過表2與圖4顯示,與U-net模型相比,我們的MM-unet模型方法分割效果有明顯優(yōu)勢,重合率、查準(zhǔn)率、查全率分別提升了3.31%、0.48%、5.61%,分割邊界更接近于由醫(yī)生標(biāo)注的真實標(biāo)記。

    圖4 兩個模型分割CT圖像的可視化結(jié)果Fig. 4 Visual results of two models for CT segmentation

    5 結(jié)束語

    本文中,我們提出了基于多模態(tài)U形網(wǎng)絡(luò)實現(xiàn)CT圖像前列腺癌分割的方法。該方法利用了MRI圖像高分辨率與多模態(tài)圖像信息互補(bǔ)的特點,構(gòu)建基于MRI與CT圖像的多模態(tài)深度學(xué)習(xí)模型指導(dǎo)CT圖像學(xué)習(xí)前列腺癌分割。實驗結(jié)果表明,我們的方法可以有效地提高CT圖像分割精度。本文提出的多模態(tài)U形模型分割CT圖像的方法適用于CT/MRI已進(jìn)行配準(zhǔn)匹配的前列腺癌數(shù)據(jù)集,對于未進(jìn)行配準(zhǔn)的數(shù)據(jù)集和其他非前列腺癌的數(shù)據(jù)集有待進(jìn)一步驗證。

    猜你喜歡
    前列腺癌卷積模態(tài)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    前列腺癌復(fù)發(fā)和轉(zhuǎn)移的治療
    關(guān)注前列腺癌
    認(rèn)識前列腺癌
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    前列腺癌,這些蛛絲馬跡要重視
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    國內(nèi)多模態(tài)教學(xué)研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    由單個模態(tài)構(gòu)造對稱簡支梁的抗彎剛度
    計算物理(2014年2期)2014-03-11 17:01:39
    91九色精品人成在线观看| 757午夜福利合集在线观看| 又紧又爽又黄一区二区| 欧美 亚洲 国产 日韩一| 777米奇影视久久| 天天操日日干夜夜撸| 亚洲国产毛片av蜜桃av| 国产免费现黄频在线看| 如日韩欧美国产精品一区二区三区| 国产精品久久电影中文字幕 | 精品亚洲成国产av| 美女视频免费永久观看网站| 国产男女内射视频| 国产欧美日韩综合在线一区二区| 五月开心婷婷网| 久久亚洲真实| 婷婷丁香在线五月| 亚洲av成人一区二区三| 午夜两性在线视频| 在线免费观看的www视频| 麻豆av在线久日| 校园春色视频在线观看| 水蜜桃什么品种好| 亚洲视频免费观看视频| 丝袜人妻中文字幕| 久久人人爽av亚洲精品天堂| 老汉色∧v一级毛片| 黄片小视频在线播放| 日韩人妻精品一区2区三区| 精品欧美一区二区三区在线| 国产在视频线精品| 国产一区在线观看成人免费| 黄色视频,在线免费观看| 国产三级黄色录像| bbb黄色大片| 男女下面插进去视频免费观看| 免费在线观看亚洲国产| 国产免费男女视频| 韩国精品一区二区三区| 国产精品综合久久久久久久免费 | 久久人妻av系列| 国精品久久久久久国模美| 在线观看免费高清a一片| 亚洲精品一卡2卡三卡4卡5卡| 每晚都被弄得嗷嗷叫到高潮| 一级黄色大片毛片| videos熟女内射| 久久中文字幕一级| 少妇的丰满在线观看| 国产在视频线精品| 日韩欧美一区视频在线观看| 黄片大片在线免费观看| 亚洲 欧美一区二区三区| 亚洲精品中文字幕在线视频| 日韩熟女老妇一区二区性免费视频| 国产熟女午夜一区二区三区| 精品国产国语对白av| 日韩制服丝袜自拍偷拍| 国内毛片毛片毛片毛片毛片| 成年女人毛片免费观看观看9 | 亚洲熟妇中文字幕五十中出 | 怎么达到女性高潮| 欧美 日韩 精品 国产| 精品国产美女av久久久久小说| 1024香蕉在线观看| 好男人电影高清在线观看| 一进一出抽搐gif免费好疼 | 国产成人系列免费观看| 免费高清在线观看日韩| 精品无人区乱码1区二区| 亚洲中文日韩欧美视频| 免费看a级黄色片| 国产欧美日韩精品亚洲av| 69精品国产乱码久久久| 精品高清国产在线一区| 婷婷精品国产亚洲av在线 | 亚洲欧美精品综合一区二区三区| 亚洲第一青青草原| 亚洲一卡2卡3卡4卡5卡精品中文| 91九色精品人成在线观看| 在线视频色国产色| 天堂中文最新版在线下载| av网站在线播放免费| 9热在线视频观看99| 在线观看免费视频网站a站| 亚洲av欧美aⅴ国产| 国产片内射在线| 精品国产亚洲在线| 无限看片的www在线观看| 国产精华一区二区三区| 国产精品 欧美亚洲| 国产区一区二久久| 精品第一国产精品| 激情在线观看视频在线高清 | 一二三四社区在线视频社区8| 亚洲熟妇熟女久久| 国产欧美日韩一区二区三区在线| 亚洲av美国av| 久久久国产精品麻豆| 亚洲av日韩在线播放| 国产极品粉嫩免费观看在线| av天堂久久9| 黑人猛操日本美女一级片| 亚洲欧美一区二区三区久久| 亚洲专区国产一区二区| 18禁观看日本| 美女午夜性视频免费| 日韩 欧美 亚洲 中文字幕| 日韩欧美一区视频在线观看| 午夜亚洲福利在线播放| 99香蕉大伊视频| 校园春色视频在线观看| 黑人欧美特级aaaaaa片| 啦啦啦在线免费观看视频4| 水蜜桃什么品种好| 国产午夜精品久久久久久| 精品无人区乱码1区二区| 亚洲自偷自拍图片 自拍| 久久久国产欧美日韩av| 日本精品一区二区三区蜜桃| 国产亚洲精品久久久久5区| 人成视频在线观看免费观看| 欧美色视频一区免费| 首页视频小说图片口味搜索| 男女高潮啪啪啪动态图| 日日爽夜夜爽网站| 亚洲色图av天堂| 在线永久观看黄色视频| 99热国产这里只有精品6| 亚洲片人在线观看| 18禁美女被吸乳视频| 国内久久婷婷六月综合欲色啪| 久久久精品区二区三区| 国产亚洲欧美在线一区二区| av片东京热男人的天堂| 侵犯人妻中文字幕一二三四区| 精品乱码久久久久久99久播| av片东京热男人的天堂| 国产视频一区二区在线看| 捣出白浆h1v1| 久久久久久亚洲精品国产蜜桃av| 亚洲专区国产一区二区| 国产三级黄色录像| 欧美国产精品一级二级三级| 欧美国产精品va在线观看不卡| 国产视频一区二区在线看| 天天操日日干夜夜撸| 久9热在线精品视频| 精品一区二区三区av网在线观看| 亚洲成人免费av在线播放| 国产成人精品无人区| 国产高清videossex| 999久久久精品免费观看国产| 久久精品人人爽人人爽视色| 高清在线国产一区| 涩涩av久久男人的天堂| 超色免费av| 中文字幕高清在线视频| 午夜福利一区二区在线看| 亚洲熟女精品中文字幕| 老熟妇乱子伦视频在线观看| 国产一区二区激情短视频| 在线av久久热| 又紧又爽又黄一区二区| 久久人妻福利社区极品人妻图片| av一本久久久久| 999久久久国产精品视频| 精品国产乱码久久久久久男人| 国产成人啪精品午夜网站| 丰满饥渴人妻一区二区三| 人人妻人人澡人人爽人人夜夜| 亚洲avbb在线观看| 丝瓜视频免费看黄片| 男女免费视频国产| 中文字幕av电影在线播放| 国产又爽黄色视频| 制服诱惑二区| www日本在线高清视频| 1024香蕉在线观看| 久久精品国产99精品国产亚洲性色 | 日韩欧美一区视频在线观看| 国产成人一区二区三区免费视频网站| 国产乱人伦免费视频| 日本黄色日本黄色录像| 色婷婷av一区二区三区视频| 热re99久久国产66热| 欧美 日韩 精品 国产| 午夜福利乱码中文字幕| 久久久国产精品麻豆| 成人手机av| 欧美大码av| 丝瓜视频免费看黄片| 老鸭窝网址在线观看| 一级毛片女人18水好多| 国产免费av片在线观看野外av| 国产精品美女特级片免费视频播放器 | 18禁裸乳无遮挡动漫免费视频| 亚洲五月色婷婷综合| 国产免费现黄频在线看| 91老司机精品| 国产成人系列免费观看| 人人妻人人澡人人看| 国产精品久久久久成人av| 高清视频免费观看一区二区| 少妇的丰满在线观看| 热re99久久精品国产66热6| 久久国产精品大桥未久av| 在线播放国产精品三级| 一级a爱片免费观看的视频| 久久九九热精品免费| 高清欧美精品videossex| 99热只有精品国产| 亚洲免费av在线视频| 侵犯人妻中文字幕一二三四区| 一个人免费在线观看的高清视频| 午夜免费鲁丝| 精品一区二区三卡| 99热网站在线观看| 欧美成人午夜精品| 亚洲国产精品一区二区三区在线| 午夜91福利影院| 日韩欧美一区二区三区在线观看 | 妹子高潮喷水视频| 亚洲五月天丁香| 成人精品一区二区免费| 欧美黑人欧美精品刺激| 美女扒开内裤让男人捅视频| 午夜免费成人在线视频| 最新的欧美精品一区二区| 好看av亚洲va欧美ⅴa在| 一本一本久久a久久精品综合妖精| 亚洲一区高清亚洲精品| 999精品在线视频| 国产成人精品无人区| 久久 成人 亚洲| 日韩欧美一区二区三区在线观看 | 午夜视频精品福利| 在线观看午夜福利视频| 色婷婷久久久亚洲欧美| 久久人妻福利社区极品人妻图片| 精品高清国产在线一区| 亚洲熟妇熟女久久| 91老司机精品| 国产91精品成人一区二区三区| 亚洲成国产人片在线观看| 超碰97精品在线观看| 久久久久久久精品吃奶| 国产在视频线精品| 国产男女超爽视频在线观看| 国精品久久久久久国模美| 黄色女人牲交| 亚洲精品乱久久久久久| 亚洲精品在线观看二区| 国产极品粉嫩免费观看在线| 美女视频免费永久观看网站| 一区二区三区精品91| 欧美人与性动交α欧美软件| 国产av精品麻豆| 人人澡人人妻人| 日韩成人在线观看一区二区三区| 精品无人区乱码1区二区| 99国产精品一区二区三区| 午夜福利乱码中文字幕| 久久天躁狠狠躁夜夜2o2o| 多毛熟女@视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产精品sss在线观看 | 美女午夜性视频免费| 免费观看人在逋| 久久人妻av系列| 99re在线观看精品视频| 亚洲一区高清亚洲精品| av中文乱码字幕在线| 男人操女人黄网站| 亚洲三区欧美一区| 国产黄色免费在线视频| 一二三四在线观看免费中文在| 免费观看a级毛片全部| 激情在线观看视频在线高清 | 一级a爱视频在线免费观看| 99国产综合亚洲精品| 国产aⅴ精品一区二区三区波| 国产又爽黄色视频| 少妇的丰满在线观看| 大型黄色视频在线免费观看| 国产欧美日韩一区二区精品| 建设人人有责人人尽责人人享有的| 交换朋友夫妻互换小说| av不卡在线播放| 精品久久久久久久毛片微露脸| av一本久久久久| 丁香欧美五月| 国产单亲对白刺激| 男人舔女人的私密视频| 亚洲av日韩在线播放| 黑人欧美特级aaaaaa片| 精品国产超薄肉色丝袜足j| 80岁老熟妇乱子伦牲交| 亚洲国产精品一区二区三区在线| 久久久久久久精品吃奶| 免费在线观看亚洲国产| 国产高清videossex| 色老头精品视频在线观看| 国产又色又爽无遮挡免费看| 1024视频免费在线观看| 午夜激情av网站| 精品国产乱码久久久久久男人| 少妇猛男粗大的猛烈进出视频| 99re6热这里在线精品视频| 丰满人妻熟妇乱又伦精品不卡| 在线观看一区二区三区激情| 欧美丝袜亚洲另类 | 亚洲专区国产一区二区| 久久精品91无色码中文字幕| 国产精品免费视频内射| 久久久久久久久久久久大奶| 亚洲午夜精品一区,二区,三区| 丝袜美腿诱惑在线| 亚洲av片天天在线观看| 日韩视频一区二区在线观看| 亚洲欧美一区二区三区久久| 国产精品av久久久久免费| 日日夜夜操网爽| 亚洲久久久国产精品| 搡老乐熟女国产| 久久精品aⅴ一区二区三区四区| 久久久久国产一级毛片高清牌| 国产亚洲精品第一综合不卡| 久久久久久亚洲精品国产蜜桃av| 村上凉子中文字幕在线| 夜夜夜夜夜久久久久| 大型黄色视频在线免费观看| 无人区码免费观看不卡| 亚洲国产欧美日韩在线播放| 亚洲av第一区精品v没综合| 人人澡人人妻人| 极品少妇高潮喷水抽搐| 国产精品久久久久久人妻精品电影| av天堂久久9| 老熟女久久久| 啪啪无遮挡十八禁网站| 两性午夜刺激爽爽歪歪视频在线观看 | 久久99一区二区三区| 亚洲自偷自拍图片 自拍| 叶爱在线成人免费视频播放| 国产免费男女视频| 在线看a的网站| 亚洲自偷自拍图片 自拍| 叶爱在线成人免费视频播放| 高清欧美精品videossex| 亚洲九九香蕉| 无限看片的www在线观看| 丝袜美腿诱惑在线| 欧美性长视频在线观看| 亚洲九九香蕉| 欧美国产精品va在线观看不卡| 男女之事视频高清在线观看| av不卡在线播放| 狠狠婷婷综合久久久久久88av| 香蕉久久夜色| 天堂中文最新版在线下载| 中文字幕精品免费在线观看视频| 满18在线观看网站| 亚洲欧美精品综合一区二区三区| a在线观看视频网站| 在线观看免费视频日本深夜| 大香蕉久久成人网| 婷婷成人精品国产| 女警被强在线播放| 黑人巨大精品欧美一区二区蜜桃| e午夜精品久久久久久久| 男女午夜视频在线观看| 久久久久视频综合| 啦啦啦免费观看视频1| 777米奇影视久久| 国产真人三级小视频在线观看| 色综合欧美亚洲国产小说| 国产一区有黄有色的免费视频| 久久草成人影院| 欧美在线黄色| 日韩欧美在线二视频 | 日日爽夜夜爽网站| 免费高清在线观看日韩| 老司机深夜福利视频在线观看| 男女之事视频高清在线观看| 精品福利观看| 日韩大码丰满熟妇| 亚洲国产欧美日韩在线播放| 国产精品秋霞免费鲁丝片| 成人国产一区最新在线观看| 欧美丝袜亚洲另类 | 国产日韩欧美亚洲二区| 大码成人一级视频| 两个人免费观看高清视频| 在线播放国产精品三级| 欧美黑人欧美精品刺激| 免费一级毛片在线播放高清视频 | 国产一区二区三区综合在线观看| 看片在线看免费视频| 国产一区二区激情短视频| 丝袜美足系列| 亚洲av第一区精品v没综合| 欧美激情久久久久久爽电影 | 国产亚洲精品久久久久5区| 免费在线观看视频国产中文字幕亚洲| 久久久久久久久久久久大奶| 久久久精品区二区三区| 免费在线观看黄色视频的| 久久精品国产a三级三级三级| 夜夜夜夜夜久久久久| 国产一区有黄有色的免费视频| 人妻久久中文字幕网| 日韩欧美一区视频在线观看| 国产在线精品亚洲第一网站| 女性生殖器流出的白浆| 女人爽到高潮嗷嗷叫在线视频| 天堂中文最新版在线下载| 欧美不卡视频在线免费观看 | 亚洲一区二区三区欧美精品| netflix在线观看网站| 久久久精品免费免费高清| 久久这里只有精品19| 黄网站色视频无遮挡免费观看| 中亚洲国语对白在线视频| 中文亚洲av片在线观看爽 | 亚洲少妇的诱惑av| 中出人妻视频一区二区| 午夜影院日韩av| 久久久国产成人免费| www日本在线高清视频| 亚洲熟妇熟女久久| 色综合欧美亚洲国产小说| 亚洲专区中文字幕在线| 十八禁人妻一区二区| 在线观看舔阴道视频| 国产欧美日韩精品亚洲av| 亚洲欧洲精品一区二区精品久久久| 激情视频va一区二区三区| 久久中文字幕人妻熟女| 免费一级毛片在线播放高清视频 | 久久 成人 亚洲| 国产一卡二卡三卡精品| 国产单亲对白刺激| 高清毛片免费观看视频网站 | 岛国毛片在线播放| 久久草成人影院| ponron亚洲| 日韩欧美免费精品| 脱女人内裤的视频| 欧美激情极品国产一区二区三区| 成人三级做爰电影| 不卡一级毛片| 国产一区在线观看成人免费| 久久久国产成人免费| 在线观看免费视频日本深夜| 国产精品久久久久久人妻精品电影| 成人永久免费在线观看视频| 亚洲av日韩精品久久久久久密| 精品久久久久久久久久免费视频 | 久久久精品免费免费高清| 两个人看的免费小视频| 露出奶头的视频| www日本在线高清视频| 最新的欧美精品一区二区| 一进一出抽搐gif免费好疼 | 精品福利观看| 欧美人与性动交α欧美精品济南到| 女人高潮潮喷娇喘18禁视频| 国产精品永久免费网站| 成年人免费黄色播放视频| av电影中文网址| 亚洲五月天丁香| 亚洲国产欧美日韩在线播放| 国产精品亚洲av一区麻豆| 国产精品久久久人人做人人爽| 免费在线观看日本一区| 性色av乱码一区二区三区2| 精品少妇一区二区三区视频日本电影| 一进一出抽搐动态| 国产不卡一卡二| 伦理电影免费视频| 欧美日本中文国产一区发布| 两个人看的免费小视频| 一进一出好大好爽视频| 多毛熟女@视频| 成年动漫av网址| 亚洲精品国产一区二区精华液| 国产成人系列免费观看| 极品人妻少妇av视频| 老汉色∧v一级毛片| 久久九九热精品免费| 午夜两性在线视频| 老司机午夜十八禁免费视频| 人妻 亚洲 视频| 啦啦啦在线免费观看视频4| 天堂中文最新版在线下载| 亚洲成人免费电影在线观看| 美女 人体艺术 gogo| av欧美777| 精品一区二区三区av网在线观看| 99国产综合亚洲精品| 精品福利观看| 久久久国产成人免费| 欧美av亚洲av综合av国产av| xxx96com| 亚洲九九香蕉| 天堂俺去俺来也www色官网| 精品一区二区三区四区五区乱码| 久久久精品免费免费高清| 丰满迷人的少妇在线观看| 欧美黄色片欧美黄色片| 成人影院久久| 国产一卡二卡三卡精品| 亚洲精品国产一区二区精华液| 精品亚洲成国产av| 久久草成人影院| 亚洲成人国产一区在线观看| 少妇猛男粗大的猛烈进出视频| cao死你这个sao货| 国产欧美日韩一区二区三区在线| 美女扒开内裤让男人捅视频| 亚洲熟妇熟女久久| 亚洲午夜精品一区,二区,三区| 久9热在线精品视频| 国产一区有黄有色的免费视频| 丰满迷人的少妇在线观看| 国产精品av久久久久免费| 国产精品1区2区在线观看. | 国产视频一区二区在线看| 国产麻豆69| 日韩欧美一区二区三区在线观看 | 亚洲久久久国产精品| 亚洲自偷自拍图片 自拍| 十八禁人妻一区二区| 天天躁夜夜躁狠狠躁躁| 亚洲精品国产一区二区精华液| 岛国毛片在线播放| 老熟妇乱子伦视频在线观看| 中文字幕人妻熟女乱码| 国产又色又爽无遮挡免费看| 日日摸夜夜添夜夜添小说| 欧美在线一区亚洲| 亚洲全国av大片| 免费久久久久久久精品成人欧美视频| 女人久久www免费人成看片| 色老头精品视频在线观看| 亚洲熟女精品中文字幕| 国产又色又爽无遮挡免费看| 久久国产亚洲av麻豆专区| a级毛片在线看网站| 国产精品影院久久| 丰满迷人的少妇在线观看| 欧美日韩乱码在线| 黄网站色视频无遮挡免费观看| 在线av久久热| 捣出白浆h1v1| 欧美日韩精品网址| 无人区码免费观看不卡| 国产不卡av网站在线观看| 好看av亚洲va欧美ⅴa在| 丝袜人妻中文字幕| 无遮挡黄片免费观看| 精品国产乱子伦一区二区三区| 18禁美女被吸乳视频| 午夜视频精品福利| 免费av中文字幕在线| 人人妻人人澡人人爽人人夜夜| 国产视频一区二区在线看| 国产精品秋霞免费鲁丝片| 国产精品久久久人人做人人爽| 欧美乱码精品一区二区三区| 国产精品偷伦视频观看了| 免费少妇av软件| 国产成人免费无遮挡视频| 久久亚洲真实| 免费看a级黄色片| 精品第一国产精品| 最近最新中文字幕大全免费视频| 女人被躁到高潮嗷嗷叫费观| 亚洲精品国产一区二区精华液| 久久久久久久午夜电影 | 一进一出好大好爽视频| 欧美乱色亚洲激情| 亚洲一卡2卡3卡4卡5卡精品中文| 日韩欧美一区视频在线观看| 欧美乱码精品一区二区三区| 男人操女人黄网站| 日韩精品免费视频一区二区三区| 热re99久久国产66热| 亚洲五月婷婷丁香| 亚洲国产看品久久| 亚洲av片天天在线观看| 中文欧美无线码| 日韩精品免费视频一区二区三区| 黑人操中国人逼视频| 桃红色精品国产亚洲av| 日韩 欧美 亚洲 中文字幕| 国产成人精品久久二区二区免费| 日韩大码丰满熟妇| 日本欧美视频一区| 免费一级毛片在线播放高清视频 | 满18在线观看网站| 日韩欧美国产一区二区入口| 久久热在线av| 叶爱在线成人免费视频播放| 天堂俺去俺来也www色官网| 久久久久国产一级毛片高清牌| 99re6热这里在线精品视频| 777久久人妻少妇嫩草av网站| 亚洲免费av在线视频| 国产欧美亚洲国产| 一边摸一边做爽爽视频免费| 久久草成人影院| 国产免费现黄频在线看| 精品一区二区三区视频在线观看免费 |