• <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!
    午夜福利免费观看在线| 亚洲五月色婷婷综合| 国产成人欧美在线观看| 久久亚洲真实| 免费女性裸体啪啪无遮挡网站| 国产黄a三级三级三级人| 亚洲第一青青草原| 亚洲国产毛片av蜜桃av| 每晚都被弄得嗷嗷叫到高潮| 亚洲最大成人中文| 久久国产亚洲av麻豆专区| 十分钟在线观看高清视频www| 操美女的视频在线观看| 成人国语在线视频| 老司机午夜十八禁免费视频| 精品一区二区三区四区五区乱码| 人人妻人人澡人人看| 这个男人来自地球电影免费观看| 黄片大片在线免费观看| 国产亚洲av嫩草精品影院| 一区二区三区精品91| 日韩高清综合在线| 久久精品成人免费网站| 亚洲av熟女| 人成视频在线观看免费观看| 黄频高清免费视频| 欧美成人性av电影在线观看| 男女之事视频高清在线观看| 91av网站免费观看| 午夜亚洲福利在线播放| 国产成人精品久久二区二区91| 男女下面插进去视频免费观看| 国产精品 国内视频| 日本 欧美在线| 国产成人影院久久av| 欧美色视频一区免费| 非洲黑人性xxxx精品又粗又长| 18禁黄网站禁片午夜丰满| x7x7x7水蜜桃| 国产国语露脸激情在线看| 69精品国产乱码久久久| 欧美日韩一级在线毛片| 日本撒尿小便嘘嘘汇集6| 欧美日韩亚洲国产一区二区在线观看| 日本一区二区免费在线视频| 久久香蕉激情| 国产精品秋霞免费鲁丝片| 亚洲欧美激情综合另类| 久99久视频精品免费| x7x7x7水蜜桃| 国产成人啪精品午夜网站| 91大片在线观看| 国产精品电影一区二区三区| 久久精品国产综合久久久| 欧美性长视频在线观看| 国产精品国产高清国产av| 欧美成人午夜精品| 国产成人免费无遮挡视频| 色播在线永久视频| 日韩大尺度精品在线看网址 | 热99re8久久精品国产| 久久人人97超碰香蕉20202| 欧美一区二区精品小视频在线| 日韩欧美国产一区二区入口| 亚洲美女黄片视频| 久久亚洲精品不卡| 午夜福利,免费看| 欧美激情极品国产一区二区三区| 久久中文字幕人妻熟女| 性色av乱码一区二区三区2| 亚洲精华国产精华精| 亚洲色图 男人天堂 中文字幕| 日本撒尿小便嘘嘘汇集6| 91麻豆av在线| 欧美一级a爱片免费观看看 | 国产午夜精品久久久久久| 亚洲人成77777在线视频| 亚洲av电影在线进入| 嫩草影院精品99| 欧美成人性av电影在线观看| 给我免费播放毛片高清在线观看| bbb黄色大片| 精品午夜福利视频在线观看一区| 91大片在线观看| 国产成+人综合+亚洲专区| 九色亚洲精品在线播放| 国产成人欧美| 欧美av亚洲av综合av国产av| 一区福利在线观看| 国产欧美日韩精品亚洲av| 一个人免费在线观看的高清视频| 久久精品91蜜桃| 国产亚洲精品av在线| 午夜福利影视在线免费观看| 一级a爱视频在线免费观看| ponron亚洲| 欧美黑人精品巨大| 亚洲熟妇中文字幕五十中出| 黄色视频,在线免费观看| 狠狠狠狠99中文字幕| 一边摸一边抽搐一进一小说| 成年人黄色毛片网站| av片东京热男人的天堂| 亚洲国产中文字幕在线视频| 淫妇啪啪啪对白视频| 国产亚洲精品av在线| 精品少妇一区二区三区视频日本电影| 一区二区三区高清视频在线| 男女午夜视频在线观看| 午夜福利欧美成人| 欧美老熟妇乱子伦牲交| 成人亚洲精品一区在线观看| 久久人妻熟女aⅴ| 人成视频在线观看免费观看| 两性夫妻黄色片| 女警被强在线播放| 少妇的丰满在线观看| 午夜久久久在线观看| 丁香六月欧美| 久久久久国产精品人妻aⅴ院| 激情视频va一区二区三区| 999精品在线视频| 久久国产乱子伦精品免费另类| 色综合亚洲欧美另类图片| 在线天堂中文资源库| 狠狠狠狠99中文字幕| 别揉我奶头~嗯~啊~动态视频| 国产精品秋霞免费鲁丝片| 十分钟在线观看高清视频www| 亚洲第一电影网av| 看黄色毛片网站| 色老头精品视频在线观看| 麻豆久久精品国产亚洲av| 亚洲美女黄片视频| 亚洲成人国产一区在线观看| 久久久久久久午夜电影| 欧美成人性av电影在线观看| 给我免费播放毛片高清在线观看| 免费不卡黄色视频| 人人澡人人妻人| 久久精品91蜜桃| av欧美777| 51午夜福利影视在线观看| 欧美乱妇无乱码| 免费久久久久久久精品成人欧美视频| 亚洲avbb在线观看| 久久久久久久久免费视频了| 中文字幕久久专区| 欧美 亚洲 国产 日韩一| 精品少妇一区二区三区视频日本电影| 国产av在哪里看| 国产欧美日韩一区二区三| 视频区欧美日本亚洲| 亚洲国产欧美一区二区综合| 真人一进一出gif抽搐免费| 可以免费在线观看a视频的电影网站| 久久国产精品人妻蜜桃| 搞女人的毛片| 身体一侧抽搐| 精品一品国产午夜福利视频| 大陆偷拍与自拍| cao死你这个sao货| 后天国语完整版免费观看| 色av中文字幕| 色播在线永久视频| 99国产精品一区二区三区| 麻豆久久精品国产亚洲av| 亚洲国产看品久久| 国产精品九九99| 90打野战视频偷拍视频| 夜夜爽天天搞| 精品一区二区三区四区五区乱码| 中出人妻视频一区二区| 久久 成人 亚洲| 日韩中文字幕欧美一区二区| 丁香欧美五月| av有码第一页| av网站免费在线观看视频| 嫁个100分男人电影在线观看| 中文字幕色久视频| 欧美最黄视频在线播放免费| 久热爱精品视频在线9| 老熟妇仑乱视频hdxx| 日韩欧美一区二区三区在线观看| 淫秽高清视频在线观看| 亚洲五月婷婷丁香| 亚洲欧美精品综合久久99| 黄色a级毛片大全视频| 欧美不卡视频在线免费观看 | 69av精品久久久久久| 好男人在线观看高清免费视频 | 精品一区二区三区四区五区乱码| 久久久久久久久免费视频了| www日本在线高清视频| 国产精品久久久久久亚洲av鲁大| 宅男免费午夜| 亚洲黑人精品在线| 欧美丝袜亚洲另类 | 精品第一国产精品| 欧美最黄视频在线播放免费| 麻豆成人av在线观看| 在线观看一区二区三区| 黄色视频,在线免费观看| 好男人在线观看高清免费视频 | 免费久久久久久久精品成人欧美视频| 国产亚洲精品一区二区www| 日本免费一区二区三区高清不卡 | 国产激情久久老熟女| 久久精品国产综合久久久| 亚洲全国av大片| 激情视频va一区二区三区| 嫩草影视91久久| 他把我摸到了高潮在线观看| 日韩三级视频一区二区三区| 日韩欧美三级三区| 99在线人妻在线中文字幕| 十八禁网站免费在线| 嫁个100分男人电影在线观看| 可以免费在线观看a视频的电影网站| 50天的宝宝边吃奶边哭怎么回事| 变态另类成人亚洲欧美熟女 | 人人妻人人澡人人看| 亚洲欧美日韩高清在线视频| 两性午夜刺激爽爽歪歪视频在线观看 | 搞女人的毛片| 亚洲国产高清在线一区二区三 | 中文字幕精品免费在线观看视频| 老熟妇仑乱视频hdxx| 国产成年人精品一区二区| 高清黄色对白视频在线免费看| 亚洲一区高清亚洲精品| 一级毛片精品| 动漫黄色视频在线观看| 两个人免费观看高清视频| 高清黄色对白视频在线免费看| 日韩有码中文字幕| 久久人妻av系列| 黄色毛片三级朝国网站| 一区二区三区激情视频| 一a级毛片在线观看| 亚洲av日韩精品久久久久久密| 后天国语完整版免费观看| 91大片在线观看| 中文字幕精品免费在线观看视频| 亚洲少妇的诱惑av| 黄色视频不卡| 久久午夜亚洲精品久久| 免费观看精品视频网站| 欧美日韩精品网址| 国产真人三级小视频在线观看| 亚洲中文av在线| av福利片在线| 伦理电影免费视频| 久久精品亚洲精品国产色婷小说| 国产欧美日韩一区二区三区在线| 91麻豆精品激情在线观看国产| 国产精品av久久久久免费| 欧美色视频一区免费| 午夜成年电影在线免费观看| 一区二区三区国产精品乱码| 亚洲一区二区三区色噜噜| 日韩欧美三级三区| a在线观看视频网站| 黄色丝袜av网址大全| 激情在线观看视频在线高清| 亚洲国产精品sss在线观看| videosex国产| 香蕉国产在线看| 精品久久久久久久久久免费视频| 国产精品99久久99久久久不卡| 日本五十路高清| АⅤ资源中文在线天堂| 日韩大码丰满熟妇| 高清在线国产一区| 亚洲最大成人中文| 久久人人精品亚洲av| 国产一区二区三区在线臀色熟女| 可以在线观看的亚洲视频| 精品国内亚洲2022精品成人| 国产乱人伦免费视频| 精品久久久久久,| 18禁美女被吸乳视频| 很黄的视频免费| 一区二区三区国产精品乱码| 国产亚洲精品第一综合不卡| 国产午夜精品久久久久久| 三级毛片av免费| 欧美乱色亚洲激情| 91成人精品电影| 亚洲七黄色美女视频| 99久久综合精品五月天人人| www日本在线高清视频| 99re在线观看精品视频| 午夜福利在线观看吧| 国产在线精品亚洲第一网站| 国产男靠女视频免费网站| 国产一区二区三区在线臀色熟女| 日本撒尿小便嘘嘘汇集6| 精品卡一卡二卡四卡免费| 波多野结衣高清无吗| 国产精品九九99| 国产成人一区二区三区免费视频网站| 日日摸夜夜添夜夜添小说| 日韩免费av在线播放| 国产亚洲欧美在线一区二区| 国产麻豆成人av免费视频| 亚洲午夜理论影院| 女人高潮潮喷娇喘18禁视频| 免费高清在线观看日韩| av片东京热男人的天堂| 国产免费男女视频| 免费少妇av软件| 一级片免费观看大全| 国产精品 欧美亚洲| 亚洲熟女毛片儿| 亚洲第一青青草原| 长腿黑丝高跟| 中国美女看黄片| 九色国产91popny在线| ponron亚洲| 欧美日韩乱码在线| 欧洲精品卡2卡3卡4卡5卡区| 亚洲专区国产一区二区| 欧美老熟妇乱子伦牲交| 制服诱惑二区| 一级毛片高清免费大全| 人人妻人人澡欧美一区二区 | 中文字幕av电影在线播放| 午夜免费成人在线视频| 日韩视频一区二区在线观看| 中出人妻视频一区二区| 91九色精品人成在线观看| 久久狼人影院| 老鸭窝网址在线观看| 多毛熟女@视频| 悠悠久久av| av在线天堂中文字幕| 国产成人欧美在线观看| 欧美大码av| 亚洲国产欧美日韩在线播放| 国产亚洲欧美在线一区二区| 久久精品国产99精品国产亚洲性色 | 国产精品野战在线观看| ponron亚洲| 狠狠狠狠99中文字幕| 国产aⅴ精品一区二区三区波| 午夜精品国产一区二区电影| 国产精品精品国产色婷婷| 日本vs欧美在线观看视频| 美女国产高潮福利片在线看| 亚洲第一青青草原| 午夜老司机福利片| 免费在线观看视频国产中文字幕亚洲| 欧美激情 高清一区二区三区| 国产极品粉嫩免费观看在线| 久久久久国产精品人妻aⅴ院| 一进一出好大好爽视频| 国产欧美日韩综合在线一区二区| 欧美精品啪啪一区二区三区| 人人妻人人爽人人添夜夜欢视频| 十分钟在线观看高清视频www| 精品不卡国产一区二区三区| 美女高潮到喷水免费观看| 十分钟在线观看高清视频www| 欧美日韩精品网址| 国产欧美日韩精品亚洲av| 女人被狂操c到高潮| 动漫黄色视频在线观看| 极品教师在线免费播放| 久久伊人香网站| 激情视频va一区二区三区| 日韩视频一区二区在线观看| 欧美国产日韩亚洲一区| 嫩草影视91久久| 亚洲国产欧美一区二区综合| 中文字幕高清在线视频| 国产xxxxx性猛交| 男人操女人黄网站| 欧美国产精品va在线观看不卡| АⅤ资源中文在线天堂| 久久精品国产99精品国产亚洲性色 | 免费无遮挡裸体视频| 国产一区二区在线av高清观看| 欧美丝袜亚洲另类 | 十八禁人妻一区二区| svipshipincom国产片| 欧美+亚洲+日韩+国产| 国产精品av久久久久免费| svipshipincom国产片| 国产欧美日韩一区二区三区在线| 日韩欧美免费精品| 九色国产91popny在线| 日韩欧美国产一区二区入口| 色播亚洲综合网| 中文字幕久久专区| 久久国产乱子伦精品免费另类| 午夜福利视频1000在线观看 | 嫩草影院精品99| 久久影院123| 欧美av亚洲av综合av国产av| 一区二区三区精品91| 色综合婷婷激情| 午夜福利一区二区在线看| 日本一区二区免费在线视频| 岛国在线观看网站| 99国产精品免费福利视频| 首页视频小说图片口味搜索| 亚洲专区国产一区二区| 亚洲人成77777在线视频| 九色国产91popny在线| 涩涩av久久男人的天堂| 久久精品91无色码中文字幕| 色综合婷婷激情| 亚洲国产看品久久| 国产精品久久视频播放| 精品久久久久久久人妻蜜臀av | 国产一区二区三区综合在线观看| 麻豆国产av国片精品| 中文字幕精品免费在线观看视频| 亚洲成人国产一区在线观看| 99久久国产精品久久久| 曰老女人黄片| 99国产综合亚洲精品| 91大片在线观看| 免费少妇av软件| 午夜老司机福利片| 黄网站色视频无遮挡免费观看| 亚洲激情在线av| 国产欧美日韩综合在线一区二区| 9热在线视频观看99| 久久香蕉国产精品| 精品久久久久久成人av| 丝袜在线中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 一边摸一边抽搐一进一出视频| 久久精品亚洲熟妇少妇任你| 免费看十八禁软件| 香蕉久久夜色| 国产一卡二卡三卡精品| 精品久久蜜臀av无| 天天躁夜夜躁狠狠躁躁| 亚洲国产精品成人综合色| 怎么达到女性高潮| 亚洲精品一区av在线观看| 视频在线观看一区二区三区| 精品卡一卡二卡四卡免费| 亚洲av美国av| 老司机午夜十八禁免费视频| 亚洲午夜精品一区,二区,三区| av有码第一页| 国产aⅴ精品一区二区三区波| 搡老岳熟女国产| 国产精品美女特级片免费视频播放器 | 法律面前人人平等表现在哪些方面| 91字幕亚洲| 桃红色精品国产亚洲av| 欧美绝顶高潮抽搐喷水| 亚洲人成77777在线视频| 一级毛片女人18水好多| 在线观看一区二区三区| 最新在线观看一区二区三区| 亚洲精品国产区一区二| 亚洲av熟女| 波多野结衣巨乳人妻| 久久久水蜜桃国产精品网| 黑人欧美特级aaaaaa片| av免费在线观看网站| 日韩欧美免费精品| 精品久久久久久久人妻蜜臀av | 国产精华一区二区三区| 国产精品亚洲美女久久久| 日韩三级视频一区二区三区| 久久伊人香网站| 国产又色又爽无遮挡免费看| 97超级碰碰碰精品色视频在线观看| 老汉色∧v一级毛片| av超薄肉色丝袜交足视频| 欧美日韩瑟瑟在线播放| 精品国产乱码久久久久久男人| 91精品国产国语对白视频| 欧美激情 高清一区二区三区| 成人亚洲精品av一区二区| av天堂在线播放| 欧美人与性动交α欧美精品济南到| 精品不卡国产一区二区三区| 亚洲无线在线观看| 久久人妻av系列| 亚洲精品一区av在线观看| 操出白浆在线播放| 黑人巨大精品欧美一区二区mp4| 51午夜福利影视在线观看| 韩国av一区二区三区四区| 久久久久久国产a免费观看| 精品国内亚洲2022精品成人| 一区二区日韩欧美中文字幕| 欧美成人免费av一区二区三区| 日韩成人在线观看一区二区三区| 美女 人体艺术 gogo| 国产亚洲av高清不卡| 色精品久久人妻99蜜桃| 91九色精品人成在线观看| 久久久国产精品麻豆| 波多野结衣巨乳人妻| 19禁男女啪啪无遮挡网站| 国产片内射在线| 巨乳人妻的诱惑在线观看| 国产色视频综合| 国产亚洲av高清不卡| 一夜夜www| 欧美国产日韩亚洲一区| 韩国精品一区二区三区| 国内精品久久久久久久电影| 天天躁夜夜躁狠狠躁躁| 大香蕉久久成人网| 精品国内亚洲2022精品成人| 国产私拍福利视频在线观看| 在线av久久热| 纯流量卡能插随身wifi吗| 欧美乱妇无乱码| 亚洲成人免费电影在线观看| 色精品久久人妻99蜜桃| 色婷婷久久久亚洲欧美| 香蕉丝袜av| 美国免费a级毛片| 免费看美女性在线毛片视频| 热re99久久国产66热| 琪琪午夜伦伦电影理论片6080| 看片在线看免费视频| 午夜福利免费观看在线| 国产成人av激情在线播放| 他把我摸到了高潮在线观看| 天堂影院成人在线观看| 午夜免费观看网址| 制服人妻中文乱码| 宅男免费午夜| 91大片在线观看| 国产精品一区二区三区四区久久 | 在线观看午夜福利视频| 午夜两性在线视频| 久久精品成人免费网站| 亚洲五月色婷婷综合| 在线观看免费日韩欧美大片| 国产午夜福利久久久久久| 好男人在线观看高清免费视频 | 亚洲av成人不卡在线观看播放网| 人人妻人人澡人人看| 日韩免费av在线播放| 美女 人体艺术 gogo| 久久人人精品亚洲av| 99久久综合精品五月天人人| 在线观看一区二区三区| 成人三级做爰电影| 国产主播在线观看一区二区| 日韩欧美国产在线观看| 18禁国产床啪视频网站| 黑人欧美特级aaaaaa片| 啦啦啦 在线观看视频| 成人精品一区二区免费| 亚洲狠狠婷婷综合久久图片| 国产成+人综合+亚洲专区| 国产高清有码在线观看视频 | 天天添夜夜摸| 国产成+人综合+亚洲专区| 久久人妻福利社区极品人妻图片| 波多野结衣巨乳人妻| 欧美老熟妇乱子伦牲交| 欧洲精品卡2卡3卡4卡5卡区| 国产高清激情床上av| 级片在线观看| 亚洲av成人av| 看免费av毛片| 他把我摸到了高潮在线观看| 欧美黄色淫秽网站| 村上凉子中文字幕在线| 亚洲成国产人片在线观看| 老司机靠b影院| 免费看十八禁软件| 国产一级毛片七仙女欲春2 | 亚洲成a人片在线一区二区| 丁香欧美五月| www.精华液| 欧美黄色片欧美黄色片| 啦啦啦韩国在线观看视频| 淫秽高清视频在线观看| 免费在线观看视频国产中文字幕亚洲| 99国产精品一区二区蜜桃av| 欧美成人午夜精品| 91国产中文字幕| 国产高清视频在线播放一区| 性少妇av在线| 日本欧美视频一区| 成人18禁在线播放| 亚洲av成人av| 亚洲国产日韩欧美精品在线观看 | 亚洲片人在线观看| 成人18禁高潮啪啪吃奶动态图| 在线天堂中文资源库| 好看av亚洲va欧美ⅴa在| 男女之事视频高清在线观看| 欧美精品亚洲一区二区| 亚洲国产欧美一区二区综合| 久久久久国产精品人妻aⅴ院| 亚洲久久久国产精品| av片东京热男人的天堂| 国产伦一二天堂av在线观看| 国产精品爽爽va在线观看网站 | 岛国视频午夜一区免费看| 亚洲国产中文字幕在线视频| 男人舔女人的私密视频| 久久亚洲真实| 搡老熟女国产l中国老女人| 亚洲久久久国产精品| 日本三级黄在线观看| 色在线成人网| 成人三级做爰电影|