• <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 ?

    改進(jìn)U-Net3+與跨模態(tài)注意力塊的醫(yī)學(xué)圖像融合

    2022-12-21 03:23:48王麗芳米嘉秦品樂藺素珍高媛劉陽
    中國圖象圖形學(xué)報(bào) 2022年12期
    關(guān)鍵詞:鑒別器深層特征提取

    王麗芳,米嘉,秦品樂,藺素珍,高媛,劉陽

    中北大學(xué)大數(shù)據(jù)學(xué)院山西省生物醫(yī)學(xué)成像與影像大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室,太原 030051

    0 引 言

    隨著現(xiàn)代醫(yī)學(xué)成像技術(shù)的發(fā)展,出現(xiàn)了不同模態(tài)的成像方式,單一模態(tài)的醫(yī)學(xué)圖像對(duì)于細(xì)節(jié)的表征具有局限性。針對(duì)單模態(tài)圖像的局限性,臨床上將多種模態(tài)的醫(yī)學(xué)圖像進(jìn)行融合,可以在保留原始圖像特征的同時(shí)(Gai等,2019),彌補(bǔ)單模態(tài)醫(yī)學(xué)圖像的缺陷,展示豐富的細(xì)節(jié)信息(Veshki等,2021),利于醫(yī)生對(duì)疾病準(zhǔn)確地診斷和治療。醫(yī)學(xué)圖像中含有大量能反映病灶情況(Nour等,2020)的深層特征和細(xì)節(jié)信息,然而這些深層特征卻難以捕捉,而且從單模態(tài)圖像提取特征后再融合,容易丟失融合圖像信息完整性(藺素珍和韓澤,2017),因此,利用當(dāng)前模態(tài)和其他模態(tài)特征之間的關(guān)系來提取融合所需的深層特征(Mbilinyi和Schuldt,2020),對(duì)于多模態(tài)醫(yī)學(xué)圖像融合來說非常重要。

    傳統(tǒng)的圖像融合方法很難表征融合圖像中病變區(qū)域的深層特征。例如,基于空間域的融合方法會(huì)引起融合圖像的光譜和空間失真(Maqsood和Javed,2020);基于變換域融合方法會(huì)使圖像具有塊效應(yīng)(Yan等,2021)。深度學(xué)習(xí)在圖像融合領(lǐng)域發(fā)展迅速,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)作為其重要分支,具有強(qiáng)大的提取特征能力(Jung等,2020;Zhang等,2020b;Nikolaev等,2021)。Liu等人(2017)利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)聚焦區(qū)域進(jìn)行分類后,生成多聚焦融合圖像。但存在融合圖像部分信息丟失的問題。Zhang等人(2020a)為避免信息丟失提出了全卷積神經(jīng)網(wǎng)絡(luò)的圖像融合框架(image fusion based on convolutional ceural cetwork,IFCNN),引入了級(jí)聯(lián)的邊界感知卷積網(wǎng)絡(luò),但因其卷積核設(shè)置單一,導(dǎo)致了深層特征提取困難。Pan等人(2021)提出密集連接網(wǎng)絡(luò)結(jié)構(gòu)(DenseNetFuse),編碼部分采用殘差密集連接的方式連接密集塊,但此結(jié)構(gòu)僅能提取單一尺度上的特征。

    生成對(duì)抗網(wǎng)絡(luò)(generative adversarial network,GAN)作為深度學(xué)習(xí)的另一分支,廣泛應(yīng)用于圖像融合領(lǐng)域(Kurakin等,2018;Liu等,2018;Wang等,2021)。Ma等人(2019)提出基于GAN的紅外與可見光圖像融合框架FusionGAN(fusion generative adversarial network),通過紅外熱輻射信息和可見光紋理信息之間的博弈,突出了圖像關(guān)鍵信息。然而,F(xiàn)usionGAN僅有一個(gè)鑒別器,所以融合結(jié)果存在過于關(guān)注可見光圖像信息而紅外圖像信息部分丟失的問題。Ma等人(2020)為避免融合圖像對(duì)源圖像關(guān)注度分配不均,提出了基于雙鑒別器的生成對(duì)抗網(wǎng)絡(luò)框架DDcGAN(dual discriminator generation adversative network),利用雙鑒別器分別對(duì)兩幅源圖像訓(xùn)練,但其損失函數(shù)僅計(jì)算了像素?fù)p失,不利于充分提取圖像的深層特征。Yang等人(2021)提出的GANFuse在DDcGAN的基礎(chǔ)上引入梯度損失,將兩種損失的加權(quán)求和作為損失函數(shù),進(jìn)一步提升了融合性能。然而,上述方法對(duì)于圖像深層特征的提取及表征方面依然有所欠缺。

    綜上,針對(duì)目前多模態(tài)醫(yī)學(xué)圖像融合方法深層特征提取能力不足,部分模態(tài)特征被忽略的問題,本文提出了基于改進(jìn)的U-Net3+與跨模態(tài)注意力塊的雙鑒別器生成對(duì)抗網(wǎng)絡(luò)(U-Net3+ and cross-modal attention block dual-discriminator generative adversal network,UC-DDGAN),其生成器利用5層的U-Net3+實(shí)現(xiàn)了全尺度的特征提取,僅用很少的參數(shù)提取得到深層特征,提升了深層特征提取能力;跨模態(tài)注意力塊嵌入到U-Net3+的各層下采樣路徑上,將深層特征的提取擴(kuò)展到不同模態(tài)之間,保留了各模態(tài)豐富的細(xì)節(jié)信息,有效防止關(guān)鍵信息被忽略。雙鑒別器將梯度損失引入到損失函數(shù)的計(jì)算中,提升了融合性能。訓(xùn)練后,UC-DDGAN可生成包含豐富深層特征的融合圖像。

    1 相關(guān)工作

    1.1 U-Net3+

    U-Net3+(Huang等,2020)是一種由U-Net(Ronneberger等,2015;Qin等,2020)和U-Net++(Zhou等,2018)改進(jìn)得到的可以有效提取深層特征的網(wǎng)絡(luò)框架(Xiao等,2021;Xiong等,2021),其將特征提取的范圍擴(kuò)展到全尺度,捕獲了全尺度下的粗細(xì)粒度語義。

    1.2 跨模態(tài)注意力機(jī)制

    Song等人(2021)針對(duì)雙模態(tài)圖像融合和配準(zhǔn)時(shí)兩模態(tài)復(fù)合特征提取困難的問題,基于非局部注意力機(jī)制(Wang等,2017)提出了跨模態(tài)注意力機(jī)制。不同于非局部注意力機(jī)制只在單一圖像上計(jì)算自我注意力,跨模態(tài)注意力機(jī)制將注意力的計(jì)算擴(kuò)展到了兩個(gè)模態(tài),保留了融合圖像信息的完整性,使更多的源圖像細(xì)節(jié)特征得到表征,跨模態(tài)注意力(cross-modal attention)機(jī)制原理如圖1所示。

    圖1 跨模態(tài)注意力機(jī)制原理Fig.1 Principle of cross-modal attention mechanism

    跨模態(tài)輸入特征圖C經(jīng)過線性映射函數(shù)θ(·)處理得到特征θ(C),主輸入特征圖P分別經(jīng)過線性映射φ(·)和g(·)處理得到特征φ(P)和g(P);轉(zhuǎn)置后的θ(C)和φ(P)進(jìn)行矩陣點(diǎn)乘,得到兩輸入的特征相關(guān)性矩陣R,即P局部位置特征與C全局位置特征的關(guān)系矩陣;對(duì)R進(jìn)行歸一化操作,得到0-1權(quán)重,用做跨模態(tài)注意力系數(shù);最后將跨模態(tài)注意力系數(shù)對(duì)應(yīng)與特征矩陣g(P)進(jìn)行矩陣點(diǎn)乘,得到跨模態(tài)注意力特征圖F。

    1.3 DDcGAN

    DDcGAN針對(duì)不同分布的源圖像設(shè)置了兩個(gè)鑒別器,進(jìn)行針對(duì)性鑒別,如圖2所示。

    圖2 DDcGAN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 DDcGAN network structure

    DDcGAN包含一個(gè)生成器(G)和兩個(gè)鑒別器(D1、D2),生成器由編碼、融合和解碼3部分組成,其中編碼部分的任務(wù)是特征提取、融合,解碼部分的任務(wù)是特征融合;鑒別器的任務(wù)是分別鑒別對(duì)應(yīng)源圖像,以此訓(xùn)練生成器。DDcGAN的輸入是源圖像1和源圖像2,編碼部分首先采用包含3×3濾波器的卷積層提取同一尺度的粗糙特征,然后采用3個(gè)包含同一尺度卷積層的DenseBlock(Cai等,2021)來保留兩幅源圖像同一尺度的具體特征;融合部分利用注意力機(jī)制對(duì)提取到的兩幅特征圖進(jìn)行融合,融合部分的輸出將作為解碼部分的輸入;解碼部分采用4個(gè)包含3×3濾波器的卷積層對(duì)拼接后的特征圖進(jìn)行解碼。兩個(gè)鑒別器結(jié)構(gòu)相同,先經(jīng)過卷積操作和激活函數(shù),再經(jīng)全連接層扁平化數(shù)據(jù)和激活函數(shù)tanh計(jì)算概率,得到鑒別結(jié)果。DDcGAN的訓(xùn)練過程與GAN類似,生成器的性能在生成器和鑒別器的對(duì)抗中不斷提升。DDcGAN的特征融合部分采用注意力機(jī)制,可以保留更多兩模態(tài)關(guān)鍵信息,但其特征融合部分也存在僅可在單尺度上提取特征以及深層特征提取能力弱的問題。

    2 基于UC-DDGAN的醫(yī)學(xué)圖像融合

    UC-DDGAN包含一個(gè)生成器G和兩個(gè)鑒別器(Dc、Dm),網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。生成器負(fù)責(zé)生成融合圖像,鑒別器用來區(qū)分源圖像和融合圖像。生成器生成融合圖像分兩階段進(jìn)行:特征提取和特征融合。以CT(computed tomography)和MR(magnetic resonance imaging)的融合為例,特征提取部分提取CT與MR圖像的深層特征,特征融合部分融合提取到的深層特征,經(jīng)過通道降維和卷積操作后,生成融合圖像。在鑒別器區(qū)分源圖像和融合圖像時(shí),將梯度損失引入到損失函數(shù)中,提升生成器生成圖像的性能。

    2.1 特征提取

    鑒于GAN的生成器未提取到足夠多包含兩模態(tài)信息的深層細(xì)節(jié),UC-DDGAN引入了U-Net3+網(wǎng)絡(luò)和跨模態(tài)注意力塊進(jìn)行深層特征提取。U-Net3+可以在單模態(tài)上對(duì)深層特征進(jìn)行全尺度范圍的提取和融合;跨模態(tài)注意力塊可以根據(jù)當(dāng)前模態(tài)圖像特征和待融合的另一模態(tài)圖像特征之間的相關(guān)性,生成具有兩模態(tài)信息的復(fù)合特征圖。

    2.1.1 基于U-Net3+的深層特征提取

    U-Net3+分為兩個(gè)階段:編碼階段和解碼階段,如圖4所示。編碼階段對(duì)輸入圖像進(jìn)行4次逐層下采樣提取特征,解碼階段對(duì)各層解碼結(jié)果進(jìn)行整合并上采樣,最后經(jīng)過1×1的卷積進(jìn)行通道降維,完成特征提取,輸出特征圖。圖4中,同一虛線框中的兩個(gè)卷積模塊為同一層卷積模塊,其中前一個(gè)表示編碼器,后一個(gè)表示解碼器(Conv5既為編碼器又為解碼器),每一層編碼器和解碼器的結(jié)構(gòu)都一樣,其參數(shù)設(shè)置與在ImageNet上訓(xùn)練的ResNet50(He等,2016)一致。

    圖3 UC-DDGAN網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 UC-DDGAN network structure

    圖4 U-Net3+網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 U-Net3+ network structure

    U-Net3+中的Conv4解碼器構(gòu)建輸出特征圖的過程如圖5所示,其他尺度解碼器構(gòu)建輸出特征圖的過程與其類似。

    圖5 U-Net3+中Conv4解碼器輸出特征圖的構(gòu)建過程Fig.5 Construction process of Conv4 in U-Net3+ decoder output feature map at all scales

    (1)

    式(1)表示當(dāng)編碼器和解碼器來自同一尺度時(shí)(即Conv5,該層的編碼器也可作為解碼器使用),解碼器的輸出特征圖等于編碼器的輸入特征圖;當(dāng)編碼器和解碼器來自不同尺度時(shí),編碼器的輸出特征圖等于編碼器輸入特征圖的疊加,但這些特征圖在疊加前需要分別經(jīng)過上下采樣及卷積操作。i表示不同尺度的層數(shù),XEn表示經(jīng)過編碼器得到的特征圖,C(·)表示卷積運(yùn)算,D(·)和U(·)分別表示下采樣和上采樣操作,H(·)表示通道疊加的函數(shù),[·]表示串聯(lián)操作,Scale表示特征圖的尺度。最后,Conv1的輸出特征圖再經(jīng)過64個(gè)1×1的濾波器進(jìn)行通道降維,輸出全尺度特征圖。

    2.1.2 基于跨模態(tài)注意力塊的特征相關(guān)性增強(qiáng)

    UC-DDGAN的特征提取部分將跨模態(tài)注意力塊嵌入U(xiǎn)-Net3+提取源圖像CT和MR的深層特征。生成器特征提取部分如圖6所示。

    圖6 UC-DDGAN生成器內(nèi)部結(jié)構(gòu)Fig.6 UC-DDGAN generator internal structure

    xi=Z([P(ci),C(mi)]),i≤4

    (2)

    yi=Z([P(mi),C(ci)]),i≤4

    (3)

    式中,ci、mi分別表示CT、MR路徑第i層編碼器的輸出特征,P(·)表示主模態(tài)輸入的運(yùn)算函數(shù),C(·)表示跨模態(tài)輸入的運(yùn)算函數(shù),Z(·)表示跨模態(tài)注意力塊內(nèi)部先矩陣點(diǎn)乘再將對(duì)應(yīng)元素逐個(gè)相乘的函數(shù),[,]表示串聯(lián)操作。

    圖7 跨模態(tài)注意力塊在U-Net3+中的連接方式Fig.7 Cross-modal attention block connection in U-Net3+

    跨模態(tài)注意力塊的內(nèi)部結(jié)構(gòu)如圖8所示。C、P分別表示跨模態(tài)路徑和主模態(tài)路徑輸入的特征圖(C∈RT×W×H×64、P∈RT×W×H×64),T、H和W分別表示特征圖的批量數(shù)、高度和寬度,64是特征圖通道數(shù)。首先,C、P經(jīng)過通道降維及線性變換函數(shù)θ(·)、φ(·)處理,得到θ(C)、φ(P)兩種特征表示(θ(C)∈RT×W×H×32、φ(P)∈RT×W×H×32),然后對(duì)θ(C)、φ(P)進(jìn)行reshape操作,合并T、H和W維度(θ(C)∈RT×W×H×32、φ(P)∈RT×W×H×32)。再將θ(C)的轉(zhuǎn)置與φ(P)進(jìn)行矩陣點(diǎn)乘,得到包含主模態(tài)各像素與跨模態(tài)各像素相關(guān)性的特征圖F(F∈RT×W×H×32),然后對(duì)F進(jìn)行softmax操作,實(shí)現(xiàn)相關(guān)性的歸一化。P除了經(jīng)過線性變換函數(shù)θ(·)處理,還經(jīng)過線性變換g(·),得到特征表示g(P)∈RT×W×H×32),對(duì)得到的g(P)進(jìn)行reshape操作,合并T、H以及W維度(g(P)∈RT×W×H×32)。F經(jīng)過歸一化操作后與合并T、H和W維度的g(P)進(jìn)行矩陣點(diǎn)乘,得到Q∈RT×W×H×32,Q表示經(jīng)跨模態(tài)注意力機(jī)制調(diào)整后的殘差矩陣。然后Q經(jīng)過1×1×1卷積,恢復(fù)T、H和W維度,表示為Y∈RT×W×H×64。最后,Y與P做殘差運(yùn)算,得到跨模態(tài)注意力塊的輸出Z∈RT×W×H×64。跨模態(tài)注意力塊得到的特征圖計(jì)算式為

    (4)

    式中,ci是跨模態(tài)輸入特征圖中i位置的特征,pj是主模態(tài)輸入特征圖中所有與ci有關(guān)的特征,j表示特征pj在跨模態(tài)輸入中的位置。θ(ci)、φ(pj)分別是ci、pj在經(jīng)過Embedded Gaussian(Benet等,2001)中的兩個(gè)嵌入權(quán)重變換Wθ、Wφ之后得到的特征圖,g(pj)是pj經(jīng)過線性變換得到的特征圖,f(·)是用于計(jì)算ci、pj相關(guān)性的函數(shù)。yi是累加了跨模態(tài)輸入中所有與主輸入i位置上特征相關(guān)的特征后得到的復(fù)合特征圖i位置的特征。

    圖8 跨模態(tài)注意力塊內(nèi)部結(jié)構(gòu)Fig.8 Internal structure of cross-modal attention block

    跨模態(tài)注意力塊嵌入U(xiǎn)-Net3+構(gòu)成UC-DDGAN生成器特征提取部分,可以增加CT圖像和MR圖像的信息交互,使CT圖像的骨骼信息和MR圖像的軟組織初步融合。該特征提取方式能促進(jìn)特征學(xué)習(xí)、改善梯度流動(dòng)和增加隱式深度監(jiān)督。各層編碼器、解碼器卷積參數(shù)如表1所示。

    表1 U-Net3+各層編碼器、解碼器卷積參數(shù)Table 1 Convolution parameters of U-Net3+ encoders and decoders at each layer

    2.2 特征融合

    特征融合分為融合和解碼兩部分,如圖9所示。融合部分由一個(gè)Concat層構(gòu)成(Song等,2018),解碼部分由5個(gè)卷積模塊組成,該卷積模塊利用若干個(gè)3×3的濾波器來壓縮通道數(shù)(各層濾波器數(shù)如圖中n所示),通過批量歸一化層(batch normaligation,BN)來緩解梯度爆炸,ReLU激活函數(shù)加快訓(xùn)練速度。特征提取部分得到尺寸為128×128×320的CT、MR深層特征圖,依次經(jīng)過Concat層拼接,再經(jīng)過濾波器分別為128、64、32、16、1這5個(gè)卷積模塊逐層進(jìn)行通道降維,將尺寸為128×128×320的CT、MR深層特征圖壓縮成尺寸為128×128×1深層細(xì)節(jié)豐富且充分表征兩模態(tài)關(guān)鍵特征的融合圖像。

    圖9 特征融合部分網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Partial network structure of feature fusion

    2.3 雙鑒別器網(wǎng)絡(luò)結(jié)構(gòu)

    UC-DDGAN設(shè)計(jì)了具有相同網(wǎng)絡(luò)結(jié)構(gòu)的兩個(gè)鑒別器,其結(jié)構(gòu)如圖10所示。真實(shí)圖像與融合圖像依次經(jīng)過4個(gè)卷積模塊:由16個(gè)3×3的濾波器和ReLU激活函數(shù)層構(gòu)成的第1層卷積模塊;32個(gè)3×3的濾波器、批量歸一化層、ReLU激活函數(shù)層構(gòu)成的第2層卷積模塊;64個(gè)3×3的濾波器、批量歸一化層、ReLU激活函數(shù)層構(gòu)成的第3層卷積模塊(步幅為2,填充為0);最后經(jīng)過全連接層(fully connected,FC)將數(shù)據(jù)扁平化,在最后一層,利用tanh激活函數(shù)作為評(píng)估器,得出輸入圖像是真實(shí)圖像的概率。

    圖10 鑒別器網(wǎng)絡(luò)結(jié)構(gòu)Fig.10 Discriminator network structure

    2.4 基于梯度損失加權(quán)的損失函數(shù)設(shè)計(jì)

    UC-DDGAN是基于雙鑒別器的生成對(duì)抗網(wǎng)絡(luò),因此要用損失函數(shù)分別優(yōu)化一個(gè)生成器、兩個(gè)鑒別器,通過對(duì)各部分損失加權(quán)來提升融合性能,保留更多源圖像特征。為進(jìn)一步保留源圖像的深層特征,UC-DDGAN的損失函數(shù)在前人基礎(chǔ)上引入了梯度損失,并通過加權(quán)的方式將二者結(jié)合起來用于生成器的訓(xùn)練。

    UC-DDGAN的損失函數(shù)由生成器損失LG和兩個(gè)鑒別器損失LDc、LDm組成。生成器的損失函數(shù)LG由CT圖像的損失LC和MR圖像的損失LM加權(quán)相加,計(jì)算為

    LG=LC+δLM

    (5)

    (6)

    (7)

    (8)

    式中,Dc(|If-Ic|)代表Dc的正確率,因此在Dc(|If-Ic|)前面設(shè)置一個(gè)負(fù)號(hào),表示減去判定正確的部分。

    LG的第2項(xiàng)LM表示MR圖像的損失,定義與LC類似,計(jì)算式分別為

    (9)

    (10)

    (11)

    Dc和Dm的損失函數(shù)LDc、LDm計(jì)算式為

    (12)

    (13)

    式中,Dc(|If-Im|)和Dm(|If-Ic|)分別代表Dc和Dm的錯(cuò)誤率。因?yàn)殍b別器損失表示鑒別失敗的概率,所以LDc、LDm用Dc和Dm的錯(cuò)誤率分別減去其正確率來表示。隨著G與Dc和Dm的對(duì)抗訓(xùn)練不斷進(jìn)行,G與Dc和Dm達(dá)到納什平衡(Ratliff等,2013),LDc、LDm和LG達(dá)到最優(yōu)值,訓(xùn)練完成。

    2.5 算法步驟

    在訓(xùn)練階段,利用訓(xùn)練集數(shù)據(jù)分別對(duì)生成器G和鑒別器Dc、Dm進(jìn)行對(duì)抗訓(xùn)練。首先固定G訓(xùn)練Dc、Dm,之后再固定Dc、Dm訓(xùn)練G,接著循環(huán)訓(xùn)練,來提高G生成融合圖像的能力以及Dc、Dm鑒別出G生成的圖像與真實(shí)CT、MR圖像差別的能力,直至G生成的圖像足以通過Dc、Dm的鑒別即可停止。此時(shí),將測試集數(shù)據(jù)輸入到G中,得到最終融合結(jié)果。在測試階段,使用經(jīng)過訓(xùn)練的生成器來生成融合圖像。UC-DDGAN算法的詳細(xì)訓(xùn)練步驟為:

    參數(shù)描述:IG、IDc和IDm分別表示訓(xùn)練G、Dc和Dm的訓(xùn)練次數(shù),Imax是訓(xùn)練UC-DDGAN的最大次數(shù),在本實(shí)驗(yàn)中,Imax=20;Lmax、Lmin和LGmax表示生成器訓(xùn)練完成時(shí)的損失范圍;Lmax和Lmin用于G、Dc和Dm的對(duì)抗損失的優(yōu)化,LGmax用于G總體損失的優(yōu)化;

    在實(shí)驗(yàn)的第1批次中,Lmax=0.065,Lmin=0.055,LGmax=0.2;Dc和Dm的初始化參數(shù)為θDc和θDm,G的初始化參數(shù)為θG,在每次的訓(xùn)練迭代中:

    1)訓(xùn)練鑒別器Dc和Dm。

    s個(gè)CT圖像樣本{c1,…,cs}和s個(gè)MR圖像樣本{m1,…,ms};

    生成器獲取到待生成數(shù)據(jù){G(c1,m1),…,G(cs,ms)};

    在Adam優(yōu)化器優(yōu)化LDc(式(12))更新θDc;

    在Adam優(yōu)化器優(yōu)化LDm(式(13))更新θDm;

    如果LDc>Lmax并且LDm

    IDc=IDc+1;

    如果LDm>Lmax并且LDc

    IDm=IDm+1。

    2)訓(xùn)練生成器G。

    s個(gè)CT圖像樣本{c1,…,cs}和s個(gè)MR圖像樣本{m1、…、ms};

    生成器獲取到待生成數(shù)據(jù){G(c1,m1),…,G(cs,ms)};

    在SGD(stochastic gradient descent)優(yōu)化器優(yōu)化LG(式(5))的過程中更新θG;

    IG=IG+1;

    IG=IG+1;

    如果LDc>Lmax并且LDm

    IG=IG+1。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

    實(shí)驗(yàn)數(shù)據(jù)集來自美國哈佛醫(yī)學(xué)院(http:// www.med.harvard.edu)、山西省生物醫(yī)學(xué)成像與影像大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室。實(shí)驗(yàn)從其開源的常見腦部疾病圖像數(shù)據(jù)集中選取了500對(duì)具有清晰腦部紋理、豐富細(xì)節(jié)特征的高質(zhì)量CT和MR圖像作為數(shù)據(jù)集。數(shù)據(jù)集分為訓(xùn)練集和測試集,其中包括400對(duì)用于網(wǎng)絡(luò)訓(xùn)練的訓(xùn)練集圖像和100對(duì)用于測試網(wǎng)絡(luò)泛化性能的測試集圖像。為避免因數(shù)據(jù)集較小而導(dǎo)致的網(wǎng)絡(luò)模型過擬合,采用Albumentations(Buslaev等,2020)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充,將MR和對(duì)應(yīng)CT圖像調(diào)整到256×256像素,進(jìn)行0°旋轉(zhuǎn)、90°旋轉(zhuǎn)、180°旋轉(zhuǎn)、270°旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn),再在上述6種變換的基礎(chǔ)上分別進(jìn)行隨機(jī)亮度、彈性變換 2種操作,獲得6×2=12倍的數(shù)據(jù),即4 800對(duì)圖像進(jìn)行訓(xùn)練。

    實(shí)驗(yàn)的硬件平臺(tái):CPU為i7-11700,內(nèi)存16 GB;GPU為RTX 3060Ti 8 GB GDR6;軟件平臺(tái):操作系統(tǒng)為64位的Windows10;環(huán)境框架為PyTorch;Python版本為3.6.0。

    3.2 訓(xùn)練細(xì)節(jié)

    在訓(xùn)練過程中,UC-DDGAN分別采用Adam優(yōu)化算法(Kingma和Ba,2017)和SGD(Cherry等,1998)促使鑒別損失和生成損失函數(shù)趨向最小來更新網(wǎng)絡(luò)的參數(shù)。本文網(wǎng)絡(luò)的參數(shù)設(shè)置為:初始學(xué)習(xí)率2E-4,動(dòng)量參數(shù)為0.9,權(quán)重衰減為5E-2。為降低GPU顯存對(duì)訓(xùn)練的影響,訓(xùn)練采用mini-batch的方式進(jìn)行(王麗芳 等,2020),batch-size設(shè)置為40,epoch設(shè)置為200,迭代次數(shù)為4 800/40×200=24 000次(訓(xùn)練樣本數(shù)4 800,batch-size為40,epoch為200)。隨著迭代次數(shù)的增加,生成器損失LG和兩個(gè)鑒別器損失LDc、LDm的變化趨勢(shì)如圖11所示。圖11(a) 中,LG曲折下降后趨于平穩(wěn),在0.2附近小幅波動(dòng);圖11(b)(c)中,LDc,LDm整體緩慢上升后穩(wěn)定在0.06附近。此外,由圖11可以看出,LG和LDc,LDm無較大波動(dòng),說明UC-DDGAN在訓(xùn)練過程中較為穩(wěn)定。

    圖11 損失折線圖Fig.11 Loss line diagram((a) generator G loss;(b) discriminator Dc loss;(c) discriminator Dm loss)

    3.3 對(duì)比實(shí)驗(yàn)及分析

    為驗(yàn)證UC-DDGAN的融合性能,實(shí)驗(yàn)選取基于拉普拉斯金字塔(Laplasian pyramid,LAP)的方法(黃福升和藺素珍,2019)、基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse-coupled neural network,PCNN)的方法(Indhumathi等,2021)、基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的方法、基于融合生成對(duì)抗網(wǎng)絡(luò)(FusionGAN)的方法以及基于雙鑒別器生成對(duì)抗網(wǎng)絡(luò)(DDcGAN)的方法作為對(duì)比方法。

    3.3.1 定性結(jié)果分析

    首先對(duì)腦梗、腦中風(fēng)、腦瘤和腦血管4種腦部疾病的圖像進(jìn)行了定性比較實(shí)驗(yàn)。融合結(jié)果的定性比較如圖12所示。圖中顯示LAP方法得到的融合結(jié)果邊緣模糊,不利于醫(yī)生觀察病灶輪廓;PCNN方法得到的融合結(jié)果亮度過低,損失掉大量細(xì)節(jié)信息;CNN方法得到的融合結(jié)果深層細(xì)節(jié)表征不夠,觀察不到其內(nèi)部細(xì)節(jié);FusionGAN方法得到的融合結(jié)果過分關(guān)注MR模態(tài)的圖像,損失了CT圖像的骨骼信息;DDcGAN方法得到的融合結(jié)果邊緣不夠平滑;UC-DDGAN方法得到的腦梗疾病融合結(jié)果腦部溝壑清晰可見、腦中風(fēng)疾病融合結(jié)果腦組織顏色層次分明、腦瘤疾病融合結(jié)果腦髓質(zhì)及骨骼信息得以充分保留、腦血管疾病融合結(jié)果包含有腦葉的深層細(xì)節(jié)。綜上,UC-DDGAN的融合效果優(yōu)于其他5種用于對(duì)比的融合方法。

    3.3.2 客觀評(píng)價(jià)指標(biāo)及定量結(jié)果分析

    為客觀地評(píng)價(jià)融合效果,實(shí)驗(yàn)選取了5個(gè)客觀評(píng)價(jià)指標(biāo):空間頻率(spatial frequency,SF)、結(jié)構(gòu)相似性(structural similarity,SSIM)、邊緣信息傳遞因子(edge information transfer factor,QAB/F)、相關(guān)系數(shù)(correlation coefficient,CC)以及差異相關(guān)性的和(the sum of the correlations of differences,SCD)評(píng)價(jià)UC-DDGAN在腦部醫(yī)學(xué)圖像數(shù)據(jù)集上的性能。

    圖12 本文算法與5種對(duì)比算法在CT和MR圖像對(duì)上的定性比較結(jié)果圖Fig.12 Qualitative comparison results((a)CT resource images;(b) MR resource images; (c) LAP;(d)PCNN; (e) CNN; (f) FusionGAN; (g) DDcGAN;(h) UC-DDGAN(ours))

    其中,SF與融合圖像分辨率成正比,SF指標(biāo)越高表明融合圖像細(xì)節(jié)表征越明顯;SSIM從圖像亮度、對(duì)比度和結(jié)構(gòu)方面衡量融合圖像與CT/MR兩幅源圖像的相似性,SSIM值越大,圖像結(jié)構(gòu)完整度越高;邊緣評(píng)價(jià)因子用于評(píng)價(jià)邊緣或梯度質(zhì)量,QAB/F的值越大,融合圖像邊緣信息損失越小;CC測量融合圖像與CT/MR兩幅源圖像之間的相關(guān)性,CC值為正且越大,表示融合圖像與兩幅源圖像的相關(guān)性越高;SCD利用另一源圖像和融合圖像之間的差異來描述當(dāng)前源圖像在融合圖像中的信息,兩幅源圖像在融合圖像中的信息相加得到SCD值。SCD值為正且越大,表示融合圖像與源圖像A的相關(guān)性越高。SF、SSIM和QAB/F主要用于評(píng)價(jià)UC-DDGAN深層特征提取能力;CC、SCD主要用于評(píng)價(jià)UC-DDGAN保留兩模態(tài)信息的能力。實(shí)驗(yàn)利用上述5個(gè)客觀評(píng)價(jià)指標(biāo)測試了30對(duì)腦部CT和MR圖像,UC-DDGAN的表現(xiàn)均優(yōu)于對(duì)比的5種融合方法,UC-DDGAN及5種對(duì)比融合方法在SF、SSIM、QAB/F、CC和SCD的測試結(jié)果折線圖分別如圖13所示,其中紅色折線表示UC-DDGAN的客觀評(píng)價(jià)結(jié)果,評(píng)價(jià)結(jié)果平均值如表2所示。由表2可知,利用UC-DDGAN進(jìn)行融合可以獲得各項(xiàng)指標(biāo)的最大均值。

    3.4 消融實(shí)驗(yàn)

    為了驗(yàn)證UC-DDGAN中U-Net3+與跨模態(tài)注意力塊保留兩模態(tài)信息及提取深層特征的效果,進(jìn)行了兩組消融實(shí)驗(yàn)。

    實(shí)驗(yàn)1表示不添加U-Net3+和跨模態(tài)注意力塊的圖像融合網(wǎng)絡(luò)得到的結(jié)果,即DDcGAN;實(shí)驗(yàn)2表示僅添加U-Net3+得到的結(jié)果;實(shí)驗(yàn)3表示僅添加跨模態(tài)注意力塊得到的結(jié)果;實(shí)驗(yàn)4表示損失函數(shù)中不引入梯度損失的UC-DDGAN效果。定性結(jié)果如圖14所示,對(duì)比實(shí)驗(yàn)評(píng)價(jià)結(jié)果如表3所示。由表3可知,UC-DDGAN達(dá)到了保留兩模態(tài)信息且提取更多深度特征的目的。此外,本實(shí)驗(yàn)還對(duì)損失函數(shù)中的梯度損失和像素?fù)p失的權(quán)重σ的參數(shù)進(jìn)行了研究。UC-DDGAN的損失函數(shù)權(quán)重σ設(shè)置為 0.1。實(shí)驗(yàn)5和實(shí)驗(yàn)6的權(quán)重σ分別為0.3和0.5,定量結(jié)果如表4所示。

    表5顯示,當(dāng)權(quán)重σ設(shè)置為0.1時(shí)獲得的定量結(jié)果最優(yōu),因此,實(shí)驗(yàn)權(quán)重σ設(shè)置為0.1是合理的。

    圖13 UC-DDGAN及5種對(duì)比融合方法的定量結(jié)果Fig.13 Quantitative results of UC-DDGAN and five comparative fusion methods((a)SF;(b)SSIM; (c)QAB/F; (d)CC; (e)SCD)

    表2 客觀評(píng)價(jià)指標(biāo)平均值Table 2 Average value of objective evaluation indexes

    4 結(jié) 論

    本文提出基于U-Net3+與跨模態(tài)注意力塊的雙鑒別器生成對(duì)抗網(wǎng)絡(luò)(UC-DDGAN)的醫(yī)學(xué)圖像融合方法,解決了目前多模態(tài)醫(yī)學(xué)圖像融合方法深層特征提取能力不足、部分模態(tài)特征被忽略的問題。從實(shí)驗(yàn)結(jié)果可知,UC-DDGAN在主觀視覺觀察和客觀指標(biāo)評(píng)價(jià)方面都有較好的表現(xiàn),將UC-DDGAN應(yīng)用于多模態(tài)醫(yī)學(xué)圖像融合,可以輔助醫(yī)生對(duì)病灶部位做出準(zhǔn)確地診斷與治療。UC-DDGAN具有以下特點(diǎn):1)利用U-Net3+網(wǎng)絡(luò),提取到了圖像深層特征,其融合圖像病灶細(xì)節(jié)完整且深層特征豐富;2)利用跨模態(tài)注意力塊將深層特征的提取擴(kuò)展到了不同模態(tài)之間,保留了各模態(tài)豐富的細(xì)節(jié)信息;3)雙鑒別器通過在損失函數(shù)中引入梯度損失,更好地訓(xùn)練生成器生成融合圖像,保留更多源圖像特征。

    圖14 UC-DDGAN消融實(shí)驗(yàn)的定性比較結(jié)果Fig.14 Qualitative comparison results of UC-DDGAN ablation experiment((a)CT resource images;(b) MR resource images; (c)UC-DDGAN;(d) experiment 1;(e)experiment 2;(f)experiment 3;(g)experiment 4)

    表3 對(duì)比實(shí)驗(yàn)客觀評(píng)價(jià)指標(biāo)Table 3 Objective evaluation indexes of compartive experiments

    表4 不同權(quán)重對(duì)比實(shí)驗(yàn)客觀評(píng)價(jià)指標(biāo)Table 4 Objective evaluation indexes of compartive experiments with different weights

    但本文算法也存在局限性,仍有較大提升空間,具體表現(xiàn)在:1)生成器網(wǎng)絡(luò)較為復(fù)雜,存在訓(xùn)練時(shí)間長的問題,后續(xù)工作將致力于降低計(jì)算復(fù)雜度;2)本文所做改進(jìn)主要針對(duì)的是特征提取部分,針對(duì)融合部分設(shè)計(jì)能夠保留兩模態(tài)信息的網(wǎng)絡(luò)模型是今后研究的重點(diǎn)。

    下一步工作是改進(jìn)融合部分網(wǎng)絡(luò)結(jié)構(gòu),提升模型泛化性,可用于其他圖像融合,例如紅外與可見光圖像融合。

    猜你喜歡
    鑒別器深層特征提取
    基于多鑒別器生成對(duì)抗網(wǎng)絡(luò)的時(shí)間序列生成模型
    考慮各向異性滲流的重力壩深層抗滑穩(wěn)定分析
    衛(wèi)星導(dǎo)航信號(hào)無模糊抗多徑碼相關(guān)參考波形設(shè)計(jì)技術(shù)*
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    SAM系統(tǒng)對(duì)TDCS數(shù)據(jù)的優(yōu)化處理與深層應(yīng)用
    Bagging RCSP腦電特征提取算法
    陣列天線DOA跟蹤環(huán)路鑒別器性能分析
    對(duì)“醫(yī)患失去信任”的深層憂慮
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    電視節(jié)目低俗化的深層反思
    变态另类丝袜制服| 国内久久婷婷六月综合欲色啪| 亚洲国产欧美一区二区综合| 亚洲av日韩精品久久久久久密| 国产高清激情床上av| 黄网站色视频无遮挡免费观看| 一级毛片精品| 精品久久久久久成人av| 在线观看免费午夜福利视频| 99国产精品一区二区蜜桃av| 久久精品影院6| 午夜福利18| 亚洲国产高清在线一区二区三 | 中文资源天堂在线| 成人国语在线视频| 日韩大码丰满熟妇| 黄色视频不卡| 草草在线视频免费看| 女同久久另类99精品国产91| 亚洲自偷自拍图片 自拍| 亚洲在线自拍视频| 色综合欧美亚洲国产小说| 久久九九热精品免费| 久久中文字幕人妻熟女| 亚洲精品美女久久av网站| 啦啦啦免费观看视频1| 侵犯人妻中文字幕一二三四区| 99久久99久久久精品蜜桃| 久久人妻av系列| 黄色片一级片一级黄色片| 免费人成视频x8x8入口观看| 18禁国产床啪视频网站| 日韩成人在线观看一区二区三区| 少妇粗大呻吟视频| 国产视频一区二区在线看| 搞女人的毛片| 中文字幕av电影在线播放| 国产成人啪精品午夜网站| 精品无人区乱码1区二区| 国产三级在线视频| 亚洲自偷自拍图片 自拍| 精品国产乱子伦一区二区三区| 国产成人欧美在线观看| 亚洲成人久久爱视频| 又大又爽又粗| 久久人妻福利社区极品人妻图片| 国产av不卡久久| 少妇被粗大的猛进出69影院| 亚洲第一av免费看| 伊人久久大香线蕉亚洲五| 少妇 在线观看| av电影中文网址| 可以在线观看毛片的网站| 欧美大码av| www.精华液| 性欧美人与动物交配| 18禁国产床啪视频网站| 国语自产精品视频在线第100页| 亚洲av中文字字幕乱码综合 | 亚洲成人免费电影在线观看| 人人妻人人看人人澡| 亚洲在线自拍视频| 天堂影院成人在线观看| 三级毛片av免费| 香蕉国产在线看| av超薄肉色丝袜交足视频| 51午夜福利影视在线观看| 啦啦啦 在线观看视频| 草草在线视频免费看| 亚洲成人精品中文字幕电影| 日本免费一区二区三区高清不卡| 黑人巨大精品欧美一区二区mp4| 超碰成人久久| 国产99久久九九免费精品| 黄色丝袜av网址大全| 亚洲av电影不卡..在线观看| 欧美色欧美亚洲另类二区| 狠狠狠狠99中文字幕| 久久精品影院6| 日本精品一区二区三区蜜桃| 非洲黑人性xxxx精品又粗又长| 中国美女看黄片| 满18在线观看网站| videosex国产| 老汉色av国产亚洲站长工具| 久久精品国产清高在天天线| 黄片小视频在线播放| 国产主播在线观看一区二区| 精华霜和精华液先用哪个| 最好的美女福利视频网| www.自偷自拍.com| 午夜视频精品福利| 动漫黄色视频在线观看| 亚洲五月色婷婷综合| 精品国产亚洲在线| 精品国产超薄肉色丝袜足j| 国产亚洲av高清不卡| 老熟妇乱子伦视频在线观看| 成人国产综合亚洲| 欧美绝顶高潮抽搐喷水| 精品高清国产在线一区| 免费在线观看日本一区| 国产在线精品亚洲第一网站| 亚洲国产精品久久男人天堂| 可以免费在线观看a视频的电影网站| x7x7x7水蜜桃| 国产视频内射| 99久久国产精品久久久| 99热6这里只有精品| 国产成人一区二区三区免费视频网站| 在线看三级毛片| 午夜精品在线福利| 1024手机看黄色片| 两性夫妻黄色片| 午夜福利视频1000在线观看| tocl精华| 非洲黑人性xxxx精品又粗又长| 欧美丝袜亚洲另类 | 国产视频内射| 欧美另类亚洲清纯唯美| 国产v大片淫在线免费观看| 精品熟女少妇八av免费久了| 国产色视频综合| 久久性视频一级片| 亚洲色图 男人天堂 中文字幕| 亚洲一卡2卡3卡4卡5卡精品中文| 国产成人av教育| 国产国语露脸激情在线看| 少妇被粗大的猛进出69影院| 无遮挡黄片免费观看| 亚洲真实伦在线观看| 人人妻人人澡欧美一区二区| 精品久久久久久,| 久久精品夜夜夜夜夜久久蜜豆 | 精品国产乱子伦一区二区三区| 欧美最黄视频在线播放免费| 日日摸夜夜添夜夜添小说| 高潮久久久久久久久久久不卡| 99久久综合精品五月天人人| 99久久精品国产亚洲精品| 老司机午夜十八禁免费视频| 18禁黄网站禁片午夜丰满| 日本撒尿小便嘘嘘汇集6| 两人在一起打扑克的视频| 亚洲最大成人中文| 高清在线国产一区| 天堂影院成人在线观看| 久久人妻av系列| 午夜免费鲁丝| 99国产精品99久久久久| 国产激情偷乱视频一区二区| 国产熟女xx| 国产成+人综合+亚洲专区| 亚洲欧美精品综合一区二区三区| 国产乱人伦免费视频| 动漫黄色视频在线观看| 精品一区二区三区视频在线观看免费| 久久精品91蜜桃| 午夜视频精品福利| 日韩欧美 国产精品| 妹子高潮喷水视频| 亚洲专区中文字幕在线| 国产av在哪里看| 人人妻,人人澡人人爽秒播| 美女免费视频网站| 香蕉av资源在线| 亚洲av成人av| 90打野战视频偷拍视频| 美女xxoo啪啪120秒动态图| 一夜夜www| 18禁裸乳无遮挡免费网站照片| 亚洲最大成人手机在线| 狂野欧美白嫩少妇大欣赏| 久久99热6这里只有精品| 亚洲av电影不卡..在线观看| 蜜桃久久精品国产亚洲av| 又爽又黄a免费视频| 成人一区二区视频在线观看| 亚洲中文日韩欧美视频| 看免费成人av毛片| 免费观看在线日韩| 国产精品久久久久久亚洲av鲁大| 久久国产乱子免费精品| 一进一出好大好爽视频| 哪里可以看免费的av片| 91久久精品国产一区二区三区| 麻豆国产97在线/欧美| 少妇裸体淫交视频免费看高清| 日韩av在线大香蕉| 日本一二三区视频观看| 简卡轻食公司| 桃色一区二区三区在线观看| 成年免费大片在线观看| 国产精品久久电影中文字幕| 直男gayav资源| 国产高清三级在线| 精品一区二区三区av网在线观看| 麻豆一二三区av精品| 亚洲,欧美,日韩| 国产精品亚洲一级av第二区| 神马国产精品三级电影在线观看| 日韩中字成人| 亚洲av美国av| 99在线人妻在线中文字幕| av在线天堂中文字幕| 亚洲高清免费不卡视频| 久久久久国内视频| 日本撒尿小便嘘嘘汇集6| 欧美另类亚洲清纯唯美| 一本精品99久久精品77| 国产在线男女| 波野结衣二区三区在线| 午夜福利在线在线| 亚洲无线在线观看| 桃色一区二区三区在线观看| 天堂av国产一区二区熟女人妻| 免费av观看视频| .国产精品久久| 欧美+亚洲+日韩+国产| 久久人人精品亚洲av| 亚洲自偷自拍三级| 丝袜美腿在线中文| 男人的好看免费观看在线视频| 国产精品美女特级片免费视频播放器| 国产69精品久久久久777片| 校园春色视频在线观看| 国产精品野战在线观看| 成人精品一区二区免费| .国产精品久久| 久久久午夜欧美精品| 一个人看的www免费观看视频| 色综合色国产| av天堂中文字幕网| 在线观看av片永久免费下载| 热99在线观看视频| 国产精品精品国产色婷婷| 欧美xxxx黑人xx丫x性爽| 别揉我奶头~嗯~啊~动态视频| 国产精品伦人一区二区| 午夜久久久久精精品| 国产精品99久久久久久久久| 国产白丝娇喘喷水9色精品| 久久久久久九九精品二区国产| 日本 av在线| 欧美性猛交黑人性爽| 中国美女看黄片| a级毛色黄片| 国产aⅴ精品一区二区三区波| 国产伦精品一区二区三区四那| 日日摸夜夜添夜夜添av毛片| 永久网站在线| 麻豆国产97在线/欧美| 成年女人永久免费观看视频| 毛片一级片免费看久久久久| 中文字幕精品亚洲无线码一区| 午夜福利成人在线免费观看| 国产又黄又爽又无遮挡在线| 亚洲无线观看免费| 在线天堂最新版资源| 亚洲精品亚洲一区二区| 精品久久久久久久久亚洲| 男女边吃奶边做爰视频| 欧美激情在线99| 非洲黑人性xxxx精品又粗又长| 久久精品国产亚洲av天美| 成人精品一区二区免费| h日本视频在线播放| 久久久午夜欧美精品| 美女黄网站色视频| av在线天堂中文字幕| 国产精华一区二区三区| 免费黄网站久久成人精品| 18+在线观看网站| 日韩精品中文字幕看吧| 国产乱人视频| 国内揄拍国产精品人妻在线| 美女黄网站色视频| 久久综合国产亚洲精品| 99热6这里只有精品| 精品久久久久久久久久免费视频| 熟妇人妻久久中文字幕3abv| 午夜福利高清视频| 一进一出好大好爽视频| 噜噜噜噜噜久久久久久91| 久久国内精品自在自线图片| 免费看日本二区| 亚洲精品乱码久久久v下载方式| 国产成人一区二区在线| 人妻夜夜爽99麻豆av| 久久中文看片网| 嫩草影院新地址| 亚洲av免费高清在线观看| 九九爱精品视频在线观看| 欧美+日韩+精品| 欧美又色又爽又黄视频| 国产黄a三级三级三级人| 两个人视频免费观看高清| 久久精品夜色国产| 亚洲丝袜综合中文字幕| 欧美日韩一区二区视频在线观看视频在线 | 亚洲精品456在线播放app| 午夜日韩欧美国产| 精品一区二区三区视频在线观看免费| 色综合亚洲欧美另类图片| 一级毛片久久久久久久久女| 毛片女人毛片| 国产aⅴ精品一区二区三区波| 成年版毛片免费区| 国产精品久久久久久亚洲av鲁大| 国产欧美日韩精品亚洲av| 午夜福利在线观看吧| 老司机午夜福利在线观看视频| 日韩在线高清观看一区二区三区| 国内精品美女久久久久久| 久久精品国产亚洲av香蕉五月| 免费人成视频x8x8入口观看| 女人被狂操c到高潮| 日韩在线高清观看一区二区三区| 寂寞人妻少妇视频99o| 免费电影在线观看免费观看| 最近手机中文字幕大全| av黄色大香蕉| 变态另类成人亚洲欧美熟女| 色噜噜av男人的天堂激情| 少妇裸体淫交视频免费看高清| 国产视频内射| 国产av麻豆久久久久久久| 国产女主播在线喷水免费视频网站 | 午夜日韩欧美国产| 欧美一区二区精品小视频在线| 国产成年人精品一区二区| 成人无遮挡网站| 亚洲国产精品久久男人天堂| 看免费成人av毛片| 免费在线观看影片大全网站| 国产精品久久久久久精品电影| 99久久精品国产国产毛片| 国产乱人偷精品视频| 欧美激情久久久久久爽电影| av国产免费在线观看| 日韩av在线大香蕉| 91久久精品国产一区二区三区| 日本欧美国产在线视频| 国产精品电影一区二区三区| 中文字幕av成人在线电影| 亚州av有码| 毛片女人毛片| 亚洲天堂国产精品一区在线| 在线观看免费视频日本深夜| 国产一区亚洲一区在线观看| 精品欧美国产一区二区三| 国产av麻豆久久久久久久| 一进一出抽搐gif免费好疼| 久久久精品欧美日韩精品| 亚洲成人久久爱视频| 久久久欧美国产精品| 亚洲精品日韩av片在线观看| 亚洲五月天丁香| 丝袜喷水一区| 久久国产乱子免费精品| 国产成人a∨麻豆精品| 人人妻人人看人人澡| 亚洲精品日韩av片在线观看| 在线免费十八禁| 内射极品少妇av片p| 国产精品,欧美在线| 久久久久九九精品影院| 久久精品国产鲁丝片午夜精品| 成人亚洲欧美一区二区av| 丰满的人妻完整版| 毛片女人毛片| 波多野结衣巨乳人妻| 欧美又色又爽又黄视频| 亚洲av一区综合| 成熟少妇高潮喷水视频| h日本视频在线播放| 色吧在线观看| 别揉我奶头~嗯~啊~动态视频| 日韩在线高清观看一区二区三区| 亚洲自拍偷在线| 丝袜美腿在线中文| 久久久精品大字幕| 又粗又爽又猛毛片免费看| 我要看日韩黄色一级片| 欧美另类亚洲清纯唯美| 在线a可以看的网站| 国产成年人精品一区二区| 国产淫片久久久久久久久| 欧美潮喷喷水| 国产精品福利在线免费观看| 色播亚洲综合网| 老女人水多毛片| 日韩一本色道免费dvd| 91在线精品国自产拍蜜月| 老师上课跳d突然被开到最大视频| 日本黄色视频三级网站网址| 国产高清视频在线观看网站| 久久久色成人| 在线播放无遮挡| 午夜a级毛片| 亚洲欧美清纯卡通| 亚洲中文日韩欧美视频| 日本色播在线视频| 午夜老司机福利剧场| 人妻丰满熟妇av一区二区三区| 麻豆久久精品国产亚洲av| 淫秽高清视频在线观看| 午夜精品国产一区二区电影 | 美女黄网站色视频| 狂野欧美白嫩少妇大欣赏| 尾随美女入室| 国产蜜桃级精品一区二区三区| 亚洲国产色片| 成人永久免费在线观看视频| 国产伦精品一区二区三区视频9| 一级毛片我不卡| 一级毛片aaaaaa免费看小| av天堂在线播放| 两个人视频免费观看高清| 亚洲国产精品久久男人天堂| 亚洲一区二区三区色噜噜| or卡值多少钱| 99热这里只有精品一区| 国产免费一级a男人的天堂| 成人漫画全彩无遮挡| 亚洲国产精品久久男人天堂| 一进一出抽搐gif免费好疼| 国产黄色小视频在线观看| 最近最新中文字幕大全电影3| 99国产极品粉嫩在线观看| 18禁裸乳无遮挡免费网站照片| 午夜视频国产福利| 国产不卡一卡二| 一本一本综合久久| 日日摸夜夜添夜夜添av毛片| 色综合亚洲欧美另类图片| 成人性生交大片免费视频hd| 亚洲欧美日韩东京热| 日本精品一区二区三区蜜桃| 国产视频内射| 国产老妇女一区| 久久久久久大精品| 精品久久久久久成人av| 亚洲va在线va天堂va国产| 嫩草影院新地址| 精品久久久久久久久久免费视频| 永久网站在线| 一夜夜www| 熟妇人妻久久中文字幕3abv| 波多野结衣高清作品| 精品久久久久久成人av| 色在线成人网| 亚洲av免费高清在线观看| 精品久久久久久久人妻蜜臀av| 亚洲精品一区av在线观看| 国模一区二区三区四区视频| 国产av麻豆久久久久久久| 日本 av在线| 国产麻豆成人av免费视频| 一个人看的www免费观看视频| 亚洲精品色激情综合| 国产亚洲欧美98| 变态另类成人亚洲欧美熟女| 成人特级av手机在线观看| 一级av片app| 日本黄大片高清| 99久久无色码亚洲精品果冻| 麻豆一二三区av精品| 国产精品免费一区二区三区在线| 欧美3d第一页| 寂寞人妻少妇视频99o| 狠狠狠狠99中文字幕| 啦啦啦韩国在线观看视频| 一区福利在线观看| 久久人人爽人人片av| 在线观看免费视频日本深夜| 国产精品爽爽va在线观看网站| av天堂中文字幕网| 亚洲国产欧洲综合997久久,| 女的被弄到高潮叫床怎么办| 日韩av不卡免费在线播放| 18禁在线无遮挡免费观看视频 | 国产精品,欧美在线| 成年女人毛片免费观看观看9| 天天躁夜夜躁狠狠久久av| 久久天躁狠狠躁夜夜2o2o| 欧美日本视频| 日本精品一区二区三区蜜桃| 99热这里只有精品一区| 欧美日本亚洲视频在线播放| 18禁裸乳无遮挡免费网站照片| 日韩成人伦理影院| АⅤ资源中文在线天堂| 久久久久精品国产欧美久久久| 亚洲精品在线观看二区| 亚洲最大成人手机在线| 国产毛片a区久久久久| 精品久久国产蜜桃| 欧美中文日本在线观看视频| 亚洲中文字幕日韩| 超碰av人人做人人爽久久| 啦啦啦观看免费观看视频高清| 精品国产三级普通话版| 99热6这里只有精品| 99视频精品全部免费 在线| 免费大片18禁| 日韩一区二区视频免费看| 九九久久精品国产亚洲av麻豆| 啦啦啦啦在线视频资源| 免费在线观看影片大全网站| 国模一区二区三区四区视频| 两性午夜刺激爽爽歪歪视频在线观看| 女生性感内裤真人,穿戴方法视频| 日韩欧美国产在线观看| 日本五十路高清| 三级毛片av免费| 国产成人精品久久久久久| 嫩草影院入口| 特级一级黄色大片| 一级毛片电影观看 | 高清午夜精品一区二区三区 | 免费观看人在逋| 成人欧美大片| 国产欧美日韩精品亚洲av| 国产av一区在线观看免费| 美女免费视频网站| aaaaa片日本免费| 日韩欧美 国产精品| 午夜老司机福利剧场| 色综合色国产| 俄罗斯特黄特色一大片| 成人欧美大片| 长腿黑丝高跟| 十八禁国产超污无遮挡网站| 菩萨蛮人人尽说江南好唐韦庄 | 不卡视频在线观看欧美| 噜噜噜噜噜久久久久久91| 欧美一级a爱片免费观看看| 国产高清激情床上av| 国产视频内射| 此物有八面人人有两片| 别揉我奶头~嗯~啊~动态视频| 国产精品久久久久久久电影| 国产精品久久久久久av不卡| 伊人久久精品亚洲午夜| 亚洲无线在线观看| 亚洲av中文字字幕乱码综合| 天堂动漫精品| 精品久久久久久久久久久久久| 看非洲黑人一级黄片| 亚洲一区高清亚洲精品| 亚洲精品在线观看二区| 国产黄色视频一区二区在线观看 | 插阴视频在线观看视频| 在线观看66精品国产| 日韩成人av中文字幕在线观看 | 综合色av麻豆| 久久久欧美国产精品| 一级毛片电影观看 | 你懂的网址亚洲精品在线观看 | 亚洲精品一卡2卡三卡4卡5卡| 亚洲av第一区精品v没综合| 欧美日韩国产亚洲二区| 俄罗斯特黄特色一大片| 中国美白少妇内射xxxbb| 国产精品精品国产色婷婷| 免费av观看视频| 欧美性猛交黑人性爽| 精品国内亚洲2022精品成人| 亚洲熟妇中文字幕五十中出| 亚洲人成网站高清观看| 亚洲av.av天堂| 国产又黄又爽又无遮挡在线| 丰满的人妻完整版| 国产av一区在线观看免费| 99热网站在线观看| 亚洲天堂国产精品一区在线| 男女做爰动态图高潮gif福利片| 免费黄网站久久成人精品| 少妇被粗大猛烈的视频| 成人亚洲精品av一区二区| 日韩中字成人| 欧美成人精品欧美一级黄| 五月伊人婷婷丁香| 中出人妻视频一区二区| 一级a爱片免费观看的视频| 91精品国产九色| 日韩中字成人| 亚洲美女搞黄在线观看 | 久久久久性生活片| 免费看a级黄色片| 欧美中文日本在线观看视频| 国产 一区精品| 人妻久久中文字幕网| 久久亚洲精品不卡| 国产av一区在线观看免费| 日韩制服骚丝袜av| av黄色大香蕉| 深夜精品福利| 啦啦啦观看免费观看视频高清| 九色成人免费人妻av| 看黄色毛片网站| 舔av片在线| 熟妇人妻久久中文字幕3abv| 狠狠狠狠99中文字幕| 白带黄色成豆腐渣| 亚洲美女视频黄频| 国产精品永久免费网站| 免费电影在线观看免费观看| 亚洲人成网站高清观看| 色哟哟·www| 国产亚洲精品av在线| 免费观看人在逋| 亚洲色图av天堂| 亚洲精品久久国产高清桃花|