• <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 ?

    基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤細(xì)胞分類器的研究

    2020-10-23 09:11:12孫運文徐秀林
    軟件工程 2020年10期
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)分類器人工智能

    孫運文 徐秀林

    摘 ?要:近年來隨著深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)的模型不斷完善,DNN在腫瘤的數(shù)字圖像識別方面精度越來越高,DNN受到了國內(nèi)外醫(yī)學(xué)界的廣泛研究和重視,DNN為識別良性腫瘤與惡性腫瘤的臨床診斷提供了客觀、準(zhǔn)確、快速、經(jīng)濟(jì)的解決方案。本文主要綜述了DNN技術(shù)在識別良性腫瘤與惡性腫瘤方向上使用的幾種常見分類器:卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、深度殘差網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)。分析了這幾種分類器的原理及其應(yīng)用的效果,分析了基于不同神經(jīng)網(wǎng)絡(luò)分類器的精準(zhǔn)度和性能,提出了DNN的各種分類器在識別良性腫瘤與惡性腫瘤領(lǐng)域中面臨的問題及未來發(fā)展的趨勢。

    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò);人工智能;分類器;腫瘤

    中圖分類號:TP301 ? ? 文獻(xiàn)標(biāo)識碼:A

    Research of Tumor Cell Classifier based on Deep Neural Network

    SUN Yunwen, XU Xiulin

    (School of Medical Instrument and Food Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

    sunyunwen@foxmail.com; xxlin100@163.com

    Abstract: In recent years, with the improvement of deep neural networks (DNN) models, the accuracy of digital image recognition of tumors has been improved continuously. DNN provides an objective, accurate, fast and economic solution for the clinical diagnosis of benign and malignant tumors. This technology has been widely studied and paid attention to by the medical community at home and abroad. This paper reviews several DNN classifiers (Convolution Neural Network, Generative Adversarial Network, Deep Residual Network, and Deep Belief Network), analyzes the accuracy and performance of these neural networks based on different classifiers, and forecast the future development trend of DNN classifiers.

    Keywords: deep neural network; artificial intelligence; classifier; tumors

    1 ? 引言(Introduction)

    腫瘤按照生長方式的不同劃分為良性腫瘤與惡性腫瘤,兩者對人體的危害性和手術(shù)治療方法有非常大的區(qū)別,因此準(zhǔn)確識別良性腫瘤與惡性腫瘤有著巨大的臨床意義,惡性腫瘤發(fā)病例預(yù)計在2030年將達(dá)到2220萬例[1],惡性腫瘤毫無疑問已經(jīng)是人類的頭號大敵。

    早期體檢篩查是最常見的發(fā)現(xiàn)惡性腫瘤的方法也是最有效預(yù)防惡性腫瘤的方法,目前診斷識別一個腫瘤是良性腫瘤還是惡性腫瘤的主要方法有如下兩種:病理診斷和影像診斷,病理診斷即活體組織檢查,活體穿刺對身體具有一定的傷害性,并且診斷時間較長。影像診斷良性腫瘤與惡性腫瘤的判斷依賴醫(yī)生的經(jīng)驗,觀察良性腫瘤和惡性腫瘤的電子計算機斷層掃描圖片(Computed Tomography, CT),兩者具有比較高的相似性,如圖1所示。不同的醫(yī)生得出的結(jié)論也有可能不同,耗費患者大量的時間與精力。因此使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)區(qū)分和診斷良性腫瘤與惡性腫瘤不僅節(jié)省了患者和醫(yī)生的時間,提高了醫(yī)療資源的效率,隨著識別的準(zhǔn)確度越來越高對臨床的意義也越來越重大,在醫(yī)學(xué)上的應(yīng)用具有很大潛力。分類器的選擇對于惡性腫瘤識別的準(zhǔn)確度有著很大的影響,本文將對近幾年常見的分類器進(jìn)行綜述。

    2 ? DNN模型與應(yīng)用(DNN models and its application)

    判斷一個腫瘤是否為惡性腫瘤是一個典型的二分類問題,在深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)領(lǐng)域中,期望計算機對于問題的答案能夠正確地回答,但是計算機通常不能給出直接正確的答案,所以通常采用0和1之間的識別率來計算。對于醫(yī)生來說,判斷CT圖片中的腫瘤是否為惡性腫瘤并不是一個確定的答案,醫(yī)生判斷惡性腫瘤不僅依賴CT圖片的清晰度和準(zhǔn)確度,還依賴于醫(yī)生個人的經(jīng)驗,但是DNN判斷惡性腫瘤則簡單的多,DNN可以讀取圖片的數(shù)字特征(如圖像的大小、通道數(shù)等),區(qū)分出良性腫瘤與惡性腫瘤CT圖片的區(qū)別。使用不同的DNN模型有著不同的優(yōu)勢和效果。

    2.1 ? 卷積神經(jīng)網(wǎng)絡(luò)

    Hubel和Wiesel在1962年發(fā)現(xiàn)貓和其他哺乳動物的大腦視覺皮層中包含了多層細(xì)胞,每部分的細(xì)胞都有著不同的感知作用,通過電刺激不同部分的細(xì)胞會產(chǎn)生不同的視覺反應(yīng),這是計算機視覺的基礎(chǔ),Lecun等[2]對Hubel和Wiesel的研究加以改進(jìn),在神經(jīng)網(wǎng)絡(luò)中創(chuàng)造性的代入了傳播算法,并以此基礎(chǔ)構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)。2012年后Krizhesky等[3]利用圖形處理器(Graphics Processing Unit,GPU)強大的圖片處理性能開發(fā)了更為深層次的神經(jīng)網(wǎng)絡(luò)AlexNet,使CNN框架得到了進(jìn)一步的強化,如今CNN已經(jīng)有很多應(yīng)用在醫(yī)學(xué)影像的識別和處理上。并且經(jīng)過不斷的迭代優(yōu)化,已經(jīng)構(gòu)成很多以CNN為架構(gòu)的變化分類器[4]。CNN一般由三種不同類型的層組成:卷積層、池化層與全連接層。以LeNet-5CNN為例,LeNet-5CNN是由LeCun于1998年設(shè)計的卷積神經(jīng)網(wǎng)絡(luò),這個卷積神經(jīng)網(wǎng)絡(luò)基于梯度并且加入了反向傳播算法進(jìn)行了反監(jiān)督訓(xùn)練,這是最早的卷積神經(jīng)網(wǎng)絡(luò)原型。在常見的卷積神經(jīng)網(wǎng)絡(luò)中第一層卷積層的作用是從輸入的數(shù)據(jù)中抽象并利用設(shè)計好的算法提取數(shù)據(jù)的不同特征值。第一層卷積層的功能很簡單,主要提取形狀、線條、顏色等較為簡單的低層特征值,接下來需要更深的層次才能從低層特征中迭代提取更復(fù)雜的特征。第二層池化層(Pooling)從形式自上向下采樣,池化層提高了模型泛化能力,對圖像的識別范圍有了大大提高。全連接層的位置與普通神經(jīng)網(wǎng)絡(luò)中全連接層的位置相同,全連接層將上一層池化層自上向下采樣的神經(jīng)元信息與當(dāng)前的層進(jìn)行全連接生成全局特征信息,全連接層通常使用N維向量作為輸出,最終分類器或回歸方程分析N維向量并輸出最后的結(jié)果。

    任湘等[5]在做關(guān)于乳腺癌分子分型預(yù)測時采用了新的方法,借助了深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測實驗,并且取得了很好的實驗效果。在實驗中他們依據(jù)乳腺癌分子分型為Luminal A、Luminal B、HER-2、Basal-like四種,他們使用了原始乳腺癌病灶區(qū)域的核磁共振成像(Magnetic Resonance Imaging,MRI),提取了這些MRI圖像以后他們對這些MRI又進(jìn)行了二次加工處理,使得CNN可以提取MRI的特征信息,隨后他們選擇CNN對其進(jìn)行卷積運算,通過對CNN參數(shù)的優(yōu)化不斷提高了模型的精度。最后,他們使用訓(xùn)練集完成了最終的訓(xùn)練并對訓(xùn)練集的預(yù)測結(jié)果進(jìn)行了分析。實驗結(jié)果表明,通過CNN對乳腺癌MRI進(jìn)行處理、提取特征和學(xué)習(xí),最后對乳腺癌的預(yù)測結(jié)果吻合度大于70%,實驗表明CNN基本完成了預(yù)測任務(wù)。

    CNN擅長多層分類,在多分類任務(wù)中CNN的準(zhǔn)確度明顯比其他分類器有更高的準(zhǔn)確度,CNN特有的多層堆疊、局部連接、權(quán)值共享和池化等特性其他分類器并不具有。所以一般的醫(yī)學(xué)圖像分類任務(wù),通常首選分類器為CNN。CNN的網(wǎng)絡(luò)構(gòu)架如圖2所示[6]。

    2.2 ? 生成對抗網(wǎng)絡(luò)

    2014年,Goodfellow等人[7]提出了生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks, GAN)。GAN的結(jié)構(gòu)由生成器和判別器組成,是在一個復(fù)雜分布上無監(jiān)督學(xué)習(xí)的分類器,雖然GAN擁有比較清晰和完善的邏輯架構(gòu),但是在一開始GAN對多層分類任務(wù)的識別準(zhǔn)確度并不高,此后研究人員的研究重點一直在提高GAN的準(zhǔn)確度[8],目前通過研究人員的不斷努力GAN已經(jīng)到達(dá)了一個比較高的完成度,GAN已經(jīng)是二分類任務(wù)中最有潛力的方法。

    如圖3所示,GAN由兩大核心部分組成,分別為生成模型和判別模型,生成模型在不斷讀取數(shù)據(jù)源中的特征數(shù)據(jù),同時不斷學(xué)習(xí)數(shù)據(jù)源中的特征信息,然后生成偽樣本,偽樣本的功能是混淆判別模型。而判別模型通過學(xué)習(xí)真實樣本和偽樣本的差異,分析出規(guī)律。生成模型和判別模型不斷交流的過程就是數(shù)據(jù)不斷生成和對抗的過程。GAN的優(yōu)勢在于訓(xùn)練樣本不足的情況下,仍然能有效分辨出原有數(shù)據(jù)的分布規(guī)律。

    GAN的判別率很大程度上依賴樣本集的數(shù)量和質(zhì)量,其中樣本集的數(shù)量尤其重要,數(shù)據(jù)量很大的樣本集即使質(zhì)量不是很高,GAN也可以慢慢自我學(xué)習(xí)強化,達(dá)到訓(xùn)練的目的,數(shù)量的優(yōu)勢可以大大彌補樣本集質(zhì)量的不足。一般普遍認(rèn)為在處理圖像分類任務(wù)的時候使用GAN相比于其他分類器并沒有展現(xiàn)出很大的優(yōu)勢,但是在圖像生成、圖像優(yōu)化方面GAN時相比于其他分類器具有獨一無二的價值。所以在分辨腫瘤細(xì)胞是否為惡性腫瘤的時候GAN是一個繞不開的分類器,當(dāng)現(xiàn)有的腫瘤CT圖片清晰度不高的時GAN無疑是一個很好的選擇。GAN可以彌補圖像質(zhì)量不高的特性還使得GAN在圖像超分辨率領(lǐng)域成為首選分類器,Lin等[9]提出了由密集連接的深卷積層發(fā)生器網(wǎng)絡(luò)和鑒別器組成生成對抗網(wǎng)絡(luò)框架的SR無監(jiān)督學(xué)習(xí)方法,該方法的正確運行證明了無監(jiān)督學(xué)習(xí)的單圖像SR算法的可行性和有效性。

    GAN分類器在按種類分辨圖像方面略顯劣勢,但其學(xué)習(xí)圖像、圖像優(yōu)化方面遠(yuǎn)遠(yuǎn)領(lǐng)先其他分類器,在臨床上也占據(jù)了一席之地。判別腫瘤是否為惡性腫瘤是一個典型的二分類問題,GAN的判別模型也是一個典型的二分類模型,所以非常適合使用GAN來診斷和識別良性腫瘤與惡性腫瘤。

    2.3 ? 深度殘差網(wǎng)絡(luò)

    將候選區(qū)域方法與CNN方法結(jié)合起來可得到精細(xì)的分割邊界,并可以進(jìn)行端到端訓(xùn)練。在Caesar等人[10]方法的基礎(chǔ)上,結(jié)合HE Kaiming等人[11]提出的深度殘差網(wǎng)絡(luò)(Deep Residual Networks, DRN),得出一種基于區(qū)域和DRN的語義分割方法。DRN在候選區(qū)域使用生成算法在原始數(shù)據(jù)的基礎(chǔ)上生成了數(shù)量龐大的候選數(shù)據(jù),然后通過DRN特有的自由形狀ROI池化層,抽象數(shù)據(jù)并分類最終提取多維度的特征數(shù)據(jù),并在最終階段進(jìn)行融合。然后使用帶擴張卷積的DRN進(jìn)行特征提取,并使用全局平均池化層對每一個像素分類,得到最終的分割結(jié)果。

    圖4是一種結(jié)合區(qū)域和深度殘差網(wǎng)絡(luò)的語義分割模型[12]。網(wǎng)絡(luò)分為三個部分,第一部分生成候選區(qū)域,第二部分是全卷積網(wǎng)絡(luò),該部分使用殘差網(wǎng)絡(luò)模型中前部分卷積層作為基礎(chǔ)網(wǎng)絡(luò),利用擴張率的不同在最后卷積層得到特征圖。第三部分為分割網(wǎng)絡(luò),輸入第一部分生成的候選區(qū)域和第二部分得到的特征圖,輸出分割圖像。

    DRN在復(fù)雜的臨床任務(wù)中較好地解決了梯度爆炸、梯度消失等問題,在分辨腫瘤細(xì)胞是否為惡性腫瘤時把DRN作為基礎(chǔ)的分類器是一個不錯的選擇,同時DRN特殊的框架對其他DNN模型具有指導(dǎo)意義,研究人員正在致力于將DRN框架擴展到其他DNN模型,如果成功其他DNN模型將得到更為精確的預(yù)測結(jié)果。

    2.4 ? 深度信念網(wǎng)絡(luò)

    2006年,Hinton[13]提出了一種用多層網(wǎng)絡(luò)限制Boltzmann機器(Restricted Boltzmann Machine,RBM)堆棧降維的方法,實現(xiàn)了無監(jiān)督的自動特征學(xué)習(xí)。Hinton[14]又在此基礎(chǔ)上增加線性分類器,無監(jiān)督特征學(xué)習(xí)加上線性分類器,就形成了我們現(xiàn)在一般認(rèn)為的深度信念網(wǎng)絡(luò)模型(Deep Belief Network, DBN)的前身,現(xiàn)在一般DBN是一個由若干個RBM和一個BP(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)組成的分類器。DBN對輸入的數(shù)據(jù)進(jìn)行數(shù)據(jù)化處理,然后將RBM提取的特征信息輸入到BP神經(jīng)網(wǎng)絡(luò),通過有監(jiān)督的BP神經(jīng)網(wǎng)絡(luò)將誤差反向傳播,自上向下微調(diào)整個DBN模型[15]。DBN的模型圖如圖5所示[16]。

    DBN訓(xùn)練一般分為兩個階段[17],分別是逐層預(yù)訓(xùn)練階段和自上向下精調(diào)階段。在逐層預(yù)訓(xùn)練階段,DBN從最底層開始自下而上訓(xùn)練每一層RBM網(wǎng)絡(luò),這種自下而上的方法可以慢慢地在每一層起到堆棧降維的作用,預(yù)訓(xùn)練使分類器可以更多的提取數(shù)據(jù)的特征值,特征值的提取質(zhì)量越好對預(yù)測結(jié)果越有幫助。在整體自上向下精調(diào)階段,分類器在BP神經(jīng)網(wǎng)絡(luò)中輸入在上一層池化層中抽象提取的特征信息和特征向量,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練,最后根據(jù)結(jié)果加入?yún)?shù)代入計算,使預(yù)測結(jié)果變得最準(zhǔn)確。

    DBN具有高度靈活性,臨床上的應(yīng)用也十分靈活,相比于其他分類器,DBN擁有更快的訓(xùn)練速度和更少的學(xué)習(xí)時間,在分辨良性腫瘤與惡性腫瘤的方面具有很大的潛力。

    3 ? 結(jié)論(Conclusion)

    隨著計算機技術(shù)和人工智能技術(shù)的發(fā)展,硬件的物理速度不斷提高,神經(jīng)網(wǎng)絡(luò)的模型不斷完善,借助DNN對良性腫瘤和惡性腫瘤進(jìn)行區(qū)分已經(jīng)是勢不可擋的趨勢。目前DNN分類器在分辨良性腫瘤和惡性腫瘤方面存在兩個主要問題:(1)由于硬件條件和計算資源的限制,DNN的訓(xùn)練時間過長,學(xué)習(xí)速度比較慢。(2)由于訓(xùn)練樣本和模型深度的限制,DNN的精確度和識別率還不夠貼近真實樣本,不同的圖像質(zhì)量也對識別率有著很大的影像。

    如何解決這兩個問題是應(yīng)用DNN在腫瘤識別領(lǐng)域的關(guān)鍵,根據(jù)摩爾定律,計算機硬件的飛速發(fā)展將極大減少DNN的訓(xùn)練時間,第一個問題將得到解決。解決第二個問題的關(guān)鍵是分類器的深度和成熟度,目前研究人員的主要研究方向是研究和開發(fā)新的層次模型并優(yōu)化算法來得到更精確的識別率。相信隨著網(wǎng)絡(luò)層次的加深,分類器的構(gòu)架變得完善,模型的精度將會不斷提高,DNN在區(qū)分良性腫瘤和惡性腫瘤方面將擁有更好的識別率。

    應(yīng)用DNN分類器對腫瘤進(jìn)行提前篩查,做到早預(yù)防、早治療,不僅能提高患者的生存質(zhì)量和生存率,而且大大提高了醫(yī)生的效率,防止了患者病情的惡化,為病人提供了準(zhǔn)確的治療方案,降低了誤診率,緩解了醫(yī)療資源不足的問題,具有重要的臨床意義。

    參考文獻(xiàn)(References)

    [1] ALLEMANI C, MATSUDAT. Analysis of individual records for 37513025 patients diagnosed with one of 18 cancers[J]. Lancet, 2018, 391(17): 1023-1075.

    [2] LECUNY, BENGIOY, HINTONG. Deep learning[J]. Nature, 2015(521): 436-444.

    [3] KRIZHESKYA, SUTSKEVERI, HINTONGE. Image Net classification with deep convolutional neural networks[C]. 2012: 1097-1105.

    [4] KUMARAN, VERMAR. Convolutional neural networks for wavelet domain super resolution[J]. Pattern Recognit Lett, 2017(90): 65-71.

    [5] 任湘,張朋,范明,等.基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌分子分型預(yù)測研究[J].杭州電子科技大學(xué)學(xué)報(自然科學(xué)版),2018,38(05):66-71.

    [6] ZHANG J J, SHAO K. Small sample image recognition using improved convolutional neural network[J]. J Vis Commun Image Represent, 2018(55): 640-647.

    [7] GoodfellowIJ, PougetAbadieJ, MirzaM, et al. Generativeadversarialnets[C]. Proc of the 27th Int Confon Neural Information Processing Systems. Cambridge, MA: MITPress, 2014(06): 2672-2680.

    [8] Salimans T, Goodfellow I. Zaremba W, et al. Improved techniques for training gans[J]. arXivpreprint, 2016(01): ?2226-2234.

    [9] LING M, WU QX. Deep unsupervised learning for image super resolution with generative adversarial network[J]. Signal Process: Image, 2018(08): 88-100.

    [10] CAESAR H, UIJLINGS J, FERRARI V. Region-based semantic segmentation with end-to-endtraining[C]. Proceedings of the 14th European Conference on Computer Vision 2016, Amsterdam, The Netherlands, 2016(01): 381-397.

    [11] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern. Recognition, LasVegas, USA, 2016, 39(6): 770-778.

    [12] Luo Huilan, Lu Fei, Kong Fansheng. Image semantic segmentation based on region and depth residual network[J]. Journal of electronics and information, 2019, 41 (11): 2777-2786.

    [13] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

    [14] Hinton G E, Osindero S, Teh Y W. ?A fast learning algorithm for deep belief nets[J]. Neural Comp, 2006, 18(7): 1527-1554.

    [15] Aliya. Aierken, Halidan. Abudureyimu, et al. A Uyghur span classification method based on deep belief networks[J]. Computer Engineering & Science, 2016, 10(10): 2134-2139.

    [16] Shi Ke, Lu Yang, Liu Guangliang, Bi Xiang, et ?al. Deep belief network training method based on multi hidden layer Gibbs sampling[J]. Acta automatica Sinica, 2019, 45(05): 975-984.

    [17] 趙文迪,陳德旺,卓永強,等.深度神經(jīng)模糊系統(tǒng)算法及其回歸應(yīng)用[J/OL].自動化學(xué)報,2020,46(8):1557-1570.

    作者簡介:

    孫運文(1996-),男,碩士生.研究領(lǐng)域:醫(yī)學(xué)信息學(xué).

    徐秀林(1957-),女,博士,教授.研究領(lǐng)域:康復(fù)設(shè)備與骨科器械,醫(yī)學(xué)信息學(xué).

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)分類器人工智能
    2019:人工智能
    商界(2019年12期)2019-01-03 06:59:05
    人工智能與就業(yè)
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識別問題
    數(shù)讀人工智能
    小康(2017年16期)2017-06-07 09:00:59
    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識別研究
    下一幕,人工智能!
    日本vs欧美在线观看视频| 爱豆传媒免费全集在线观看| 中文欧美无线码| 欧美精品一区二区大全| 亚洲一区二区三区欧美精品| 欧美日韩一区二区视频在线观看视频在线| 国产又爽黄色视频| 国产色婷婷99| 国产av一区二区精品久久| 老女人水多毛片| av在线老鸭窝| 亚洲欧美成人精品一区二区| 亚洲精品美女久久久久99蜜臀 | 人人妻人人澡人人爽人人夜夜| 精品人妻熟女毛片av久久网站| 中国美白少妇内射xxxbb| 久久久国产精品麻豆| 国产成人一区二区在线| 国产亚洲av片在线观看秒播厂| 人妻系列 视频| 成人二区视频| 在线观看人妻少妇| 蜜桃在线观看..| 日韩熟女老妇一区二区性免费视频| 九九在线视频观看精品| 最近最新中文字幕大全免费视频 | 91精品三级在线观看| 精品人妻在线不人妻| 少妇被粗大的猛进出69影院 | 一级毛片黄色毛片免费观看视频| 性高湖久久久久久久久免费观看| 男的添女的下面高潮视频| av网站免费在线观看视频| 亚洲第一区二区三区不卡| 亚洲人成77777在线视频| 天天操日日干夜夜撸| 高清黄色对白视频在线免费看| 欧美日韩视频精品一区| 免费播放大片免费观看视频在线观看| 免费播放大片免费观看视频在线观看| 一级片'在线观看视频| av天堂久久9| 美女内射精品一级片tv| 亚洲精品日本国产第一区| av不卡在线播放| 2021少妇久久久久久久久久久| 最后的刺客免费高清国语| 性色avwww在线观看| 欧美xxxx性猛交bbbb| 婷婷成人精品国产| 亚洲图色成人| 久久精品熟女亚洲av麻豆精品| 国产淫语在线视频| 亚洲精华国产精华液的使用体验| 欧美人与善性xxx| 亚洲性久久影院| 看免费成人av毛片| 久久久国产精品麻豆| 国产有黄有色有爽视频| 成人毛片60女人毛片免费| 最新的欧美精品一区二区| 午夜av观看不卡| 国产极品粉嫩免费观看在线| 一本—道久久a久久精品蜜桃钙片| 国产男女内射视频| 免费大片18禁| 国产在视频线精品| 侵犯人妻中文字幕一二三四区| 天堂俺去俺来也www色官网| 日本91视频免费播放| 日韩欧美一区视频在线观看| 熟女av电影| 女性生殖器流出的白浆| 香蕉丝袜av| 国产精品成人在线| 亚洲av成人精品一二三区| 日韩大片免费观看网站| 国产亚洲最大av| 视频中文字幕在线观看| 少妇猛男粗大的猛烈进出视频| 欧美人与性动交α欧美软件 | 老司机影院毛片| a级毛片在线看网站| 观看av在线不卡| 日日撸夜夜添| 国产成人精品婷婷| 国产1区2区3区精品| 久久久久精品性色| 国产亚洲一区二区精品| videos熟女内射| 国产xxxxx性猛交| 日本黄色日本黄色录像| 久久久久久久久久人人人人人人| 永久免费av网站大全| 欧美精品一区二区免费开放| 大香蕉久久成人网| 日韩精品有码人妻一区| 色婷婷av一区二区三区视频| 日韩av免费高清视频| 久久精品久久精品一区二区三区| 大片免费播放器 马上看| av女优亚洲男人天堂| 成人二区视频| 在线观看免费视频网站a站| 成人毛片a级毛片在线播放| 91国产中文字幕| 亚洲精品久久午夜乱码| 日本91视频免费播放| 国产成人精品无人区| 各种免费的搞黄视频| 亚洲av免费高清在线观看| 午夜福利视频在线观看免费| 亚洲av国产av综合av卡| 91精品国产国语对白视频| 亚洲精品国产av蜜桃| 岛国毛片在线播放| av免费在线看不卡| 一边摸一边做爽爽视频免费| 国产一区二区激情短视频 | 亚洲精品国产色婷婷电影| 国产精品99久久99久久久不卡 | 午夜免费观看性视频| 精品国产露脸久久av麻豆| 亚洲国产精品专区欧美| 国产精品99久久99久久久不卡 | 夜夜爽夜夜爽视频| 2022亚洲国产成人精品| 国精品久久久久久国模美| 国产深夜福利视频在线观看| 边亲边吃奶的免费视频| 国精品久久久久久国模美| av在线app专区| 寂寞人妻少妇视频99o| av一本久久久久| 麻豆乱淫一区二区| 黑丝袜美女国产一区| 亚洲美女视频黄频| 国产激情久久老熟女| 欧美 亚洲 国产 日韩一| 美女视频免费永久观看网站| 成人亚洲精品一区在线观看| 国产成人精品婷婷| 18禁动态无遮挡网站| 国产熟女欧美一区二区| 成人漫画全彩无遮挡| 中文字幕亚洲精品专区| 99视频精品全部免费 在线| 国产亚洲欧美精品永久| 欧美亚洲日本最大视频资源| 亚洲av日韩在线播放| 制服人妻中文乱码| tube8黄色片| 91午夜精品亚洲一区二区三区| 综合色丁香网| 日本欧美视频一区| 69精品国产乱码久久久| 午夜福利影视在线免费观看| 亚洲精品久久成人aⅴ小说| 免费人妻精品一区二区三区视频| 中文字幕av电影在线播放| 丝袜喷水一区| 99香蕉大伊视频| 99久久精品国产国产毛片| kizo精华| 又大又黄又爽视频免费| 国产精品99久久99久久久不卡 | 国产午夜精品一二区理论片| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美中文字幕日韩二区| 亚洲中文av在线| 国产一区亚洲一区在线观看| 国产精品久久久久久久久免| 国产永久视频网站| 好男人视频免费观看在线| 久久这里有精品视频免费| 日本av免费视频播放| 久久精品国产综合久久久 | 高清不卡的av网站| 少妇的逼水好多| 五月伊人婷婷丁香| 九色亚洲精品在线播放| 老司机影院毛片| 多毛熟女@视频| 亚洲国产成人一精品久久久| 一级片免费观看大全| 啦啦啦中文免费视频观看日本| 涩涩av久久男人的天堂| 两性夫妻黄色片 | 性高湖久久久久久久久免费观看| 国产亚洲最大av| 丝瓜视频免费看黄片| 亚洲av日韩在线播放| 国产综合精华液| 国产亚洲精品第一综合不卡 | 久久久久久人妻| 中文天堂在线官网| 人妻人人澡人人爽人人| 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 | 人人妻人人澡人人看| 亚洲av免费高清在线观看| 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 | 少妇的丰满在线观看| 一级黄片播放器| 国产白丝娇喘喷水9色精品| 国产男人的电影天堂91| 国产精品蜜桃在线观看| 视频在线观看一区二区三区| 春色校园在线视频观看| 免费大片黄手机在线观看| 五月玫瑰六月丁香| 自线自在国产av| 男女边摸边吃奶| 嫩草影院入口| 高清视频免费观看一区二区| 日本猛色少妇xxxxx猛交久久| 国产成人欧美| 国产永久视频网站| 久久国内精品自在自线图片| 国产免费现黄频在线看| 亚洲情色 制服丝袜| 国产亚洲精品第一综合不卡 | 亚洲美女搞黄在线观看| 街头女战士在线观看网站| 国产亚洲精品久久久com| 国产毛片在线视频| 亚洲综合色网址| 亚洲精品国产av蜜桃| 纵有疾风起免费观看全集完整版| 亚洲欧洲日产国产| 久久久久网色| 久久人人97超碰香蕉20202| av有码第一页| 精品国产乱码久久久久久小说| xxxhd国产人妻xxx| 人妻系列 视频| 考比视频在线观看| 人成视频在线观看免费观看| 亚洲国产欧美在线一区| 美国免费a级毛片| 丝袜喷水一区| 欧美日韩综合久久久久久| 18禁裸乳无遮挡动漫免费视频| 婷婷色综合www| 国产又爽黄色视频| 制服丝袜香蕉在线| 精品久久久久久电影网| 人人妻人人添人人爽欧美一区卜| 亚洲精品国产av蜜桃| 日韩av在线免费看完整版不卡| 王馨瑶露胸无遮挡在线观看| 岛国毛片在线播放| 视频中文字幕在线观看| 国产精品不卡视频一区二区| 97在线视频观看| 亚洲国产精品国产精品| 美女主播在线视频| 丝袜脚勾引网站| 99精国产麻豆久久婷婷| 欧美性感艳星| 18禁国产床啪视频网站| 国产激情久久老熟女| 国产在线一区二区三区精| 亚洲激情五月婷婷啪啪| 精品一区二区三区视频在线| 国产成人精品在线电影| 91精品国产国语对白视频| 亚洲欧美成人精品一区二区| 国产视频首页在线观看| 欧美精品高潮呻吟av久久| 中文字幕人妻熟女乱码| 久久久精品区二区三区| 亚洲精品乱码久久久久久按摩| av电影中文网址| www.av在线官网国产| 亚洲内射少妇av| 国产深夜福利视频在线观看| 免费在线观看黄色视频的| 少妇 在线观看| 90打野战视频偷拍视频| 久久97久久精品| 午夜免费男女啪啪视频观看| 久久久国产一区二区| 日日啪夜夜爽| 午夜av观看不卡| 日韩 亚洲 欧美在线| 国产av精品麻豆| 久久人人爽av亚洲精品天堂| 熟女av电影| 国产激情久久老熟女| 午夜福利视频在线观看免费| 亚洲av男天堂| 亚洲国产精品国产精品| 搡女人真爽免费视频火全软件| 青春草国产在线视频| 在线看a的网站| 99久久综合免费| 亚洲,欧美,日韩| 亚洲内射少妇av| 丝袜喷水一区| 亚洲精品乱久久久久久| 中文字幕免费在线视频6| 国产精品偷伦视频观看了| 美女国产高潮福利片在线看| 高清黄色对白视频在线免费看| 午夜91福利影院| 国产一区二区三区综合在线观看 | 十八禁网站网址无遮挡| 国产成人av激情在线播放| 久热这里只有精品99| 99久久中文字幕三级久久日本| 18禁动态无遮挡网站| 成人手机av| 亚洲欧美日韩另类电影网站| av网站免费在线观看视频| 国产亚洲精品久久久com| 久久久久久久久久人人人人人人| 99九九在线精品视频| 亚洲国产日韩一区二区| 啦啦啦中文免费视频观看日本| 亚洲,欧美精品.| 一级a做视频免费观看| 国产又爽黄色视频| 大片电影免费在线观看免费| 国产xxxxx性猛交| 国产成人免费观看mmmm| 老女人水多毛片| 日韩制服骚丝袜av| 亚洲少妇的诱惑av| 中国三级夫妇交换| 日本91视频免费播放| 精品久久久久久电影网| 涩涩av久久男人的天堂| 一本色道久久久久久精品综合| 国产爽快片一区二区三区| 欧美人与性动交α欧美精品济南到 | 丝袜美足系列| 国产男女超爽视频在线观看| 免费观看无遮挡的男女| av有码第一页| 精品卡一卡二卡四卡免费| 黄色一级大片看看| 午夜福利视频精品| 国产高清不卡午夜福利| 99九九在线精品视频| 国产精品一区二区在线观看99| 免费观看性生交大片5| 亚洲久久久国产精品| 国产高清国产精品国产三级| 日韩在线高清观看一区二区三区| 国产日韩一区二区三区精品不卡| 欧美+日韩+精品| 搡老乐熟女国产| 成人午夜精彩视频在线观看| av天堂久久9| 18+在线观看网站| 狂野欧美激情性xxxx在线观看| 欧美变态另类bdsm刘玥| 制服人妻中文乱码| 在线精品无人区一区二区三| 日本爱情动作片www.在线观看| 亚洲久久久国产精品| 国产综合精华液| 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 | 天美传媒精品一区二区| 国产在线视频一区二区| 美女福利国产在线| 免费高清在线观看日韩| 夜夜骑夜夜射夜夜干| 插逼视频在线观看| 99久久精品国产国产毛片| 精品熟女少妇av免费看| 久久久久精品性色| 日韩一本色道免费dvd| 日韩 亚洲 欧美在线| 男女边摸边吃奶| 秋霞在线观看毛片| av播播在线观看一区| 婷婷色av中文字幕| 久久久久精品久久久久真实原创| 国产在线一区二区三区精| 国产成人91sexporn| 丁香六月天网| 在线观看三级黄色| 久久精品熟女亚洲av麻豆精品| 日本猛色少妇xxxxx猛交久久| h视频一区二区三区| 有码 亚洲区| 午夜免费观看性视频| 男女国产视频网站| 亚洲成av片中文字幕在线观看 | 最近手机中文字幕大全| 亚洲欧美一区二区三区黑人 | 精品视频人人做人人爽| 欧美另类一区| 亚洲国产精品999| 日韩成人av中文字幕在线观看| 欧美+日韩+精品| 久久精品久久精品一区二区三区| 亚洲成色77777| 最后的刺客免费高清国语| 狠狠婷婷综合久久久久久88av| 亚洲精品国产av成人精品| 欧美xxⅹ黑人| 少妇人妻精品综合一区二区| 如日韩欧美国产精品一区二区三区| 婷婷成人精品国产| 国产麻豆69| 在线观看人妻少妇| 一级a做视频免费观看| 久久久欧美国产精品| 国产高清国产精品国产三级| 亚洲精品美女久久av网站| av在线播放精品| 国产免费现黄频在线看| 久久国内精品自在自线图片| 久久久亚洲精品成人影院| 久久久久国产精品人妻一区二区| 日本与韩国留学比较| 999精品在线视频| 久久久久精品久久久久真实原创| 丝袜喷水一区| 黑人猛操日本美女一级片| 亚洲国产精品999| 日本爱情动作片www.在线观看| 女性生殖器流出的白浆| 2021少妇久久久久久久久久久| 边亲边吃奶的免费视频| 国产精品一二三区在线看| 哪个播放器可以免费观看大片| 精品99又大又爽又粗少妇毛片| 国产麻豆69| 亚洲欧美色中文字幕在线| 久久人人爽人人爽人人片va| 18+在线观看网站| 日本av手机在线免费观看| 国产在线免费精品| 久久国内精品自在自线图片| 亚洲av中文av极速乱| 久久精品久久久久久久性| 日韩伦理黄色片| 乱码一卡2卡4卡精品| 高清av免费在线| 亚洲欧美成人精品一区二区| 国产1区2区3区精品| 插逼视频在线观看| 一二三四在线观看免费中文在 | a 毛片基地| 亚洲精品,欧美精品| 中文字幕亚洲精品专区| 日韩三级伦理在线观看| 国产精品不卡视频一区二区| 午夜福利视频精品| 高清黄色对白视频在线免费看| 亚洲五月色婷婷综合| 成人手机av| 丝瓜视频免费看黄片| 国产精品人妻久久久影院| 一区二区日韩欧美中文字幕 | 少妇被粗大的猛进出69影院 | 午夜免费男女啪啪视频观看| 母亲3免费完整高清在线观看 | 纯流量卡能插随身wifi吗| 亚洲国产精品专区欧美| 婷婷成人精品国产| 精品国产一区二区久久| 美女中出高潮动态图| 久久ye,这里只有精品| 亚洲国产日韩一区二区| 欧美 亚洲 国产 日韩一| 午夜日本视频在线| 免费黄网站久久成人精品| 日韩中文字幕视频在线看片| 中国美白少妇内射xxxbb| 亚洲色图综合在线观看| 香蕉丝袜av| 最近的中文字幕免费完整| 精品人妻偷拍中文字幕| 成年人午夜在线观看视频| 国产女主播在线喷水免费视频网站| 国产乱来视频区| 国产精品国产三级专区第一集| 99久久精品国产国产毛片| 日本黄大片高清| 一边摸一边做爽爽视频免费| 草草在线视频免费看| 日韩电影二区| 综合色丁香网| 狠狠婷婷综合久久久久久88av| 亚洲精品第二区| 久久久久精品久久久久真实原创| 成人综合一区亚洲| 国产精品女同一区二区软件| 亚洲成人av在线免费| 九色亚洲精品在线播放| 久久久久精品久久久久真实原创| 男女无遮挡免费网站观看| 色视频在线一区二区三区| 精品国产一区二区三区久久久樱花| 熟女人妻精品中文字幕| 最新中文字幕久久久久| 久久婷婷青草| 中文字幕av电影在线播放| 亚洲欧美一区二区三区黑人 | 久久精品国产亚洲av涩爱| av电影中文网址| 婷婷色麻豆天堂久久| 久久久久久久国产电影| 九色成人免费人妻av| 欧美人与善性xxx| 美国免费a级毛片| 最新的欧美精品一区二区| 九九爱精品视频在线观看| 一级片'在线观看视频| 精品少妇黑人巨大在线播放| 2021少妇久久久久久久久久久| 国产黄频视频在线观看| 老女人水多毛片| 丰满迷人的少妇在线观看| 99精国产麻豆久久婷婷| 人妻系列 视频| 少妇人妻久久综合中文| 80岁老熟妇乱子伦牲交| 99久久综合免费| 91午夜精品亚洲一区二区三区| 狠狠精品人妻久久久久久综合| 久久人人爽人人爽人人片va| 久久鲁丝午夜福利片| 大香蕉97超碰在线| 男人操女人黄网站| 久久久久久久亚洲中文字幕| 青青草视频在线视频观看| 肉色欧美久久久久久久蜜桃| xxxhd国产人妻xxx| 熟女电影av网| 欧美3d第一页| xxx大片免费视频| 欧美人与善性xxx| videossex国产| 最新的欧美精品一区二区| 十八禁高潮呻吟视频| av天堂久久9| 99视频精品全部免费 在线| 51国产日韩欧美| 精品久久久久久电影网| 亚洲精品一二三| 成人无遮挡网站| 亚洲精品日韩在线中文字幕| 高清在线视频一区二区三区| 国产视频首页在线观看| 精品国产露脸久久av麻豆| 国产亚洲一区二区精品| 亚洲精品乱久久久久久| 不卡视频在线观看欧美| 国产精品久久久久久精品电影小说| 少妇被粗大猛烈的视频| 久久久精品免费免费高清| 亚洲高清免费不卡视频| 午夜日本视频在线| 精品亚洲成国产av| 天堂8中文在线网| 大话2 男鬼变身卡| 天天躁夜夜躁狠狠躁躁| 精品一区在线观看国产| 亚洲人成77777在线视频| 麻豆精品久久久久久蜜桃| 国产精品国产三级国产av玫瑰| 色5月婷婷丁香| 春色校园在线视频观看| av免费观看日本| 久久精品熟女亚洲av麻豆精品| 在线观看免费高清a一片| 国产精品 国内视频| 自线自在国产av| 国产高清国产精品国产三级| av.在线天堂| 晚上一个人看的免费电影| 国产亚洲午夜精品一区二区久久| 精品酒店卫生间| 亚洲欧美日韩另类电影网站| 亚洲一级一片aⅴ在线观看| 不卡视频在线观看欧美| 熟女人妻精品中文字幕| 久久久久久伊人网av| 色5月婷婷丁香| 久久久久网色| 日本wwww免费看| 国产成人一区二区在线| a级毛片黄视频| 亚洲国产av影院在线观看| 亚洲精华国产精华液的使用体验| 国产精品久久久久成人av| 亚洲熟女精品中文字幕| 秋霞伦理黄片| 美国免费a级毛片| 观看av在线不卡| 少妇被粗大的猛进出69影院 | av有码第一页| 人妻系列 视频| 亚洲综合色网址| 久久女婷五月综合色啪小说| 性色av一级| 国产成人精品婷婷| 亚洲av电影在线进入| 天堂俺去俺来也www色官网| 午夜激情久久久久久久| 日韩熟女老妇一区二区性免费视频| 国产乱来视频区| 国产成人精品婷婷| 免费高清在线观看日韩| 超碰97精品在线观看| 夫妻午夜视频| av.在线天堂| 久久人人97超碰香蕉20202| 美女xxoo啪啪120秒动态图| 国产福利在线免费观看视频|