• <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 ?

    基于改進EfficientNetV2網絡的腦腫瘤分類方法

    2023-09-27 01:38:10賈兆年李秀華侯阿臨
    吉林大學學報(理學版) 2023年5期
    關鍵詞:注意力準確率卷積

    崔 博, 賈兆年, 姬 鵬, 李秀華, 侯阿臨

    (長春工業(yè)大學 計算機科學與工程學院, 長春 130012)

    醫(yī)學成像技術是非侵入性的, 常用于檢測腫瘤, 是目前用于癌癥類型分類最常見和最可靠的技術[1]. 磁共振成像(magnetic resonance imaging, MRI)技術是醫(yī)學成像技術的一種, 在腦腫瘤的分類中尤其適用于提供高分辨率的腦組織圖像[2]. 腦腫瘤分為150種, 其中包括良性腫瘤和惡性腫瘤[3]. 腦腫瘤的早期診斷和準確分類對挽救病人生命至關重要, 腦部MRI圖像可分為不同的腫瘤類型. 自動分類可以在放射科醫(yī)生最少干預的情況下對腦腫瘤MRI圖像進行分類[4].

    卷積神經網絡(convolutional neural networks, CNN)是深度學習的主要代表算法之一. Shelhamer等[5]提出了一種深度、 粗層和細層相結合的雙路徑CNN跳躍結構, 實現(xiàn)了對腦癌的精確分割. Cheng等[6]利用T1-MRI數(shù)據(jù)研究了腦腫瘤的三級分類問題, 該方法先利用圖像膨脹擴大腫瘤區(qū)域, 然后將其劃分為逐漸細小的環(huán)狀子區(qū)域. Das等[7]使用包含3 064張T1加權對比增強MRI圖像的卷積神經網絡識別各種腦癌, 如膠質瘤、 腦膜瘤和腦垂體瘤. CNN模型通過基于可變大小的卷積濾波器/核調整卷積網絡的大小, 獲得了94%的準確率. Bad?a等[8]提出了一種新的CNN結構, 該結構基于對現(xiàn)有的預訓練網絡的改進, 使用T1加權對比增強磁共振圖像對腦腫瘤進行分類, 該模型的準確率為96.56%, 其由兩個10倍交叉驗證技術組成, 使用增強圖片. Mzoughi等[9]采用基于灰度歸一化和自適應對比度增強的預處理方法, 提出了一種完全自動化的腦膠質瘤三維細胞神經網絡模型, 用于腦膠質瘤的低級別和高級別分類.

    深度學習中的CNN是目前較好的圖像處理方法[10]. AlexNet[11],VGG[12]等CNN的發(fā)展證明了增加網絡深度能在一定程度上提高網絡性能. 但卷積核作為其中數(shù)量最多的參數(shù), 對網絡性能的影響較大[13]. 若只通過簡單的網絡層堆疊增加深度會導致網絡出現(xiàn)梯度消失和過擬合的情況[14]. 為解決這類問題, 本文提出基于改進EfficientnetV2網絡的方法, 實驗結果表明, 與其他算法相比, 將其運用到腦腫瘤分類的任務中, 準確率更高.

    1 模型架構

    1.1 EfficientNetV2網絡模型

    EffcicentNetV2[15]是根據(jù)EfficientNet[16]的基本思想進行改進的網絡. 該網絡通過改變網絡的深度、 寬度和輸入圖像分辨率的參數(shù)提高網絡性能[16]. EfficientNetV2是一種采用神經結構搜索技術(neural architecture search, NAS)和復合模型擴張方法的分類識別網絡, 它能選擇最優(yōu)的復合系數(shù), 即按比例擴展網絡的深度、 寬度和輸入圖像分辨率3個維度, 以找到最大識別特征精度所需的最優(yōu)參數(shù). EfficientNetV2通過自適應地平衡3個維度, 成功減少了模型訓練的參數(shù)量和復雜度, 從而大幅度提高了模型性能. 與單一維度的縮放相比, 這種方法能獲得更好的效果, 同時在訓練速度上也有明顯的提升. EffcicentNetV2網絡主要由Fused-MBConv[17]和MBConv模塊堆疊而成, 網絡結構列于表1.

    表1 EfficientNetV2網絡結構Table 1 EfficientNetV2 network architecture

    理論上, 隨著硬件設備的優(yōu)化和算法設計的改進, 普通卷積在某些條件下可能會比之前更有效. 為驗證這兩者對卷積計算速度的影響, 在淺層卷積使用Fused-MBConv, 在深層卷積使用深度可分離卷積MBConv.

    為使網絡運算速度更快, 該網絡在淺層卷積中使用Fused-MBConv模塊, 在深層卷積中使用深度可分離卷積MBConv模塊, MBConv模塊由2個1×1卷積、 1個3×3深度可分離卷積、 SE(squeeze-and-excitation)注意力模塊組成, 如圖1(A)所示; 由于深度可分離卷積用在淺層卷積中會拖慢運行速度, 因此Fused-MBConv模塊是在MBConv中使用一個普通的3×3卷積結構替換1×1的升維卷積和3×3的深度卷積, 如圖1(B)所示.

    圖1 模塊結構Fig.1 Module structure

    SE注意力模塊由全局平均池化和兩個全連接層組成. 該模塊首先進行Squeeze操作, 將每個通道的特征壓縮為全局特征, 然后通過Excitation操作將全局特征轉化為權重系數(shù), 從而實現(xiàn)模型對不同通道間特征的區(qū)分.

    1.2 坐標注意力機制

    坐標注意力(coordinate attention, CA)機制[18]是一種新型輕量級即插即用的注意力機制, 它可以很容易地插入到移動網絡的經典模塊中, 不僅可獲取通道的輸入特征信息, 還可獲取方向和位置的特征信息, 有助于模型更準確地定位和識別感興趣的對象, 重點關注重要信息的目標區(qū)域, 有效抑制背景信息給檢測結果產生的影響, 緩解信息丟失問題[19]. 并且同時考慮水平和垂直方向的特征信息, 在可學習參數(shù)和計算代價相當?shù)那闆r下, 坐標信息嵌入更有助于圖像分類. CA結構如圖2所示.

    圖2 CA機制模塊Fig.2 CA mechanism module

    2 本文算法設計

    2.1 改進的網絡結構

    由于人的大腦組織結構復雜, 因此要想將腦部腫瘤精確分類, 就要精準地獲取輸入的腦腫瘤MRI圖像的特征信息. EfficientNetV2網絡模型中MBConv模塊加入了SE注意力機制, SE注意力機制只考慮對通道間信息進行編碼, 而忽略了位置信息的重要性, 導致注意力機制提取腦腫瘤的特征信息不全面, 從而使模型的分類精準度較低. 而CA注意力模塊恰好可以更準確地獲取輸入的位置特征信息, 有助于網絡更準確地定位感興趣的對象, 同時使網絡覆蓋更大的區(qū)域. 坐標注意力模塊可以自適應地選擇輸入腦腫瘤圖像的感受野大小和位置, 使其能更好地適應不同尺度和形狀的輸入圖像, 從而提高腦腫瘤分類模型的魯棒性和泛化能力, 因此將SE注意力模塊替換為CA注意力模塊. 在替換時, 需要保持注意力模塊的輸入和輸出維度不變, 以保證模型的正確性. 為使該網絡計算速度更快, 對量化更友好, 進一步提高腦腫瘤分類的正確率, 本文將原網絡中的SiLU激活函數(shù)換為Hard-Swish激活函數(shù), 改進后的網絡結構如圖3所示.

    圖3 改進后的網絡結構Fig.3 Improved network structure

    該實驗腦腫瘤MRI圖像的樣本數(shù)量較少, 網絡中用Dropout層減少訓練網絡中部分神經元的活性, 以防止網絡過擬合的發(fā)生, BN(batch normalization)[20]通過減少梯度對參數(shù)或其初始值尺度的依賴, 從而能使用更高的學習率, 極大加快了深層神經網絡的訓練速度.

    2.2 激活函數(shù)

    在原EfficientNetV2網絡使用的SiLU激活函數(shù)是Swish激活函數(shù)的一個特例, 當β=1時, Swish激活函數(shù)稱為SiLU激活函數(shù). 該激活函數(shù)存在一些潛在的缺點: SiLU激活函數(shù)的導數(shù)對于較大的負輸入可能會變得非常小, 可能導致反向傳播期間梯度消失. 對于深度神經網絡, 會導致訓練變得困難; 雖然SiLU是一種靈活的激活函數(shù), 但它表達能力有限, 可能會限制其在數(shù)據(jù)中表示復雜函數(shù)和模式的能力; SiLU激活函數(shù)缺乏可解釋性, 與其他一些激活函數(shù)(如Sigmoid或雙曲正切)不同, SiLU函數(shù)沒有明確的概率解釋, 可能會使解釋模型的行為和輸出的含義變得更困難. SiLU激活函數(shù)曲線如圖4所示.

    圖4 SiLU激活函數(shù)曲線Fig.4 SiLU activation function curve

    Hard-Swish激活函數(shù)[21]是Swish激活函數(shù)非線性改進版本, 其計算速度更快, 計算過程只涉及基本的數(shù)學運算, 如乘法和加法, 實現(xiàn)相對簡單, 而SiLU涉及指數(shù)運算, 計算速度相對較慢. 并且Hard-Swish激活函數(shù)對量化更友好, 更適合深度卷積網絡, 同時也可增加腦腫瘤分類的正確率. 因此本文將原網絡中的SiLU激活函數(shù)換為Hard-Swish激活函數(shù). Hard-Swish激活函數(shù)曲線如圖5所示.

    圖5 Hard-Swish激活函數(shù)曲線Fig.5 Hard-Swish activation function curve

    訓練卷積網絡時, 在梯度下降的過程中, 梯度消失是一個常見的問題. 相比于SiLU激活函數(shù), Hard-Swish激活函數(shù)在輸入接近于0時的梯度更大, 因此在這種情況下出現(xiàn)梯度消失問題的概率更小. Hard-Swish激活函數(shù)更復雜, 因此在訓練深層神經網絡時可以更好地捕捉特征, 從而提高訓練效果.

    Swish函數(shù)表達式為

    Swish(x)=x×Sigmoid(βx),

    (1)

    其中β表示可調參數(shù). Hard-Swish函數(shù)表達式為

    (2)

    3 實驗與分析

    3.1 數(shù)據(jù)集與預處理

    本文使用的腦腫瘤圖像數(shù)據(jù)集來自公開數(shù)據(jù)集figshare(www.figshare.com), 該數(shù)據(jù)集由233名患者的腦部MRI圖像組成, 包括橫斷面、 冠狀面和矢狀面共3 064張圖像, 其中腦膜瘤切片708張, 膠質瘤切片1 426張, 垂體瘤切片930張.

    本文預處理首先將腦腫瘤圖像數(shù)據(jù)集中的每張圖像調整尺寸大小至512像素×512像素; 其次將MRI圖像原始數(shù)據(jù)信息進行特征提取, 得到帶有標簽的樣本集合; 最后將數(shù)據(jù)集按照80%和20%劃分為訓練集和驗證集. 分類標簽包括腦膜瘤、 膠質瘤、 垂體瘤3種類別標簽.

    3.2 參數(shù)設置與評價指標

    3.2.1 實驗環(huán)境

    本文實驗基于PyTorch深度學習框架, 使用Python 3.6語言實現(xiàn), 搭建了基于改進EfficientNetV2網絡的腦腫瘤圖像三分類框架. 在Linux CentOS7環(huán)境下完成, CUDA版本為10.2. 硬件設備為: Intel(R) Xeon(R) CPU E5-2650 2.2 GHz CPU, NVIDIA TITAN XP×2顯卡, 12 GB×2顯存.

    3.2.2 參數(shù)設置

    在訓練過程中, 本文實驗使用隨機梯度下降(SGDM)優(yōu)化器優(yōu)化所設計的模型, 網絡模型訓練過程中涉及的超參數(shù)設置列于表2.

    表2 訓練過程的超參數(shù)設置Table 2 Hyperparameter settings for training process

    因為僅憑準確率評價指標并不能充分證明網絡設計及參數(shù)調整的合理性, 因此, 為全面評價本文改進的EfficientNetV2網絡的性能, 使用準確率和混淆矩陣作為評價指標. 混淆矩陣是一種用于總結分類算法性能的技術. 如果每個類別中的觀察數(shù)不相等, 或者數(shù)據(jù)集中有兩個以上類別, 則僅憑分類準確性可能會產生誤導. 混淆矩陣提供真陽性(TP), 即預測為正、 事實為正; 真陰性(TN), 即預測為負、 事實為負; 假陽性(FP), 即預測為正、 事實為負; 假陰性(FN), 即預測為負、 事實為正的值.

    在經過準確率和混淆矩陣進行網絡模型評估后, 這些值可用于計算本文算法的準確率、 精確度、 召回率和F1-Score的數(shù)值[22-23]. 其中F1-Score是準確率和召回率的調和平均評估指標[24]. 本文用這5個評價指標作為實驗結果的評判標準.

    準確率表示所有預測正確的樣本占總樣本的百分數(shù), 用公式表示為

    (3)

    精確度表示預測正確的正類樣本占所有預測為正類樣本的百分數(shù), 用公式表示為

    (4)

    召回率表示預測正確的正類樣本占所有事實正類樣本情況的百分數(shù). 召回率在醫(yī)學圖像分類問題中又被稱為靈敏度, 靈敏度越高, 說明對病灶區(qū)域越敏感, 用公式表示為

    (5)

    F1-Score表示精確率和召回率的調和平均數(shù), 綜合考慮了精確率和召回率, 是一個綜合評價指標, 通常被用作分類模型性能的重要指標之一[25], 用公式表示為

    (6)

    3.3 實驗結果與分析

    為證明本文基于改進的EfficientNetV2網絡的MRI腦腫瘤圖像分類算法的有效性, 實驗選擇引入坐標注意力機制的分類模型, 模型中還結合了Hard-Swish激活函數(shù)、 BN以及Dropout層. 同時選擇了SE,CBAM(convolutional block attention module)和ECA(efficient channel attention)注意力模塊進行對比實驗, 觀察模型算法并進行分析.

    數(shù)據(jù)集上訓練和驗證過程的準確率和損失函數(shù)曲線如圖6所示, 其中: 灰色曲線表示EfficientNetV2原模型中引入的SE注意力模塊的訓練曲線; 橙色、 綠色曲線分別表示將EfficientNetV2模型中的SE替換為CBAM和ECA; 紫色曲線為本文改進的引入CA注意力模塊的訓練曲線. 將改進的EfficientNetV2模型稱CA-EfficientNetV2模型. 準確率的變化曲線能反應模型訓練過程中對腦腫瘤的分類精度, 準確率的值越高表示模型的分類正確率越高. 損失值的變化曲線能反應模型訓練過程中的優(yōu)化結果, 損失值越小表示模型的魯棒性越好, 當損失值趨于平穩(wěn)時, 表示模型訓練達到了局部最優(yōu)值.

    圖6 訓練和驗證的準確率和損失函數(shù)曲線Fig.6 Accuracy and loss function curves for training and validation

    由圖6可見: 在訓練過程中4種模型的訓練效果均較穩(wěn)定, 但CA-EfficientNetV2模型的精度明顯高于其他3種模型, 達到了98.9%, 損失函數(shù)值明顯低于其他3種模型, 達到了0.022; 在驗證過程中, CA-EfficientNetV2模型的準確率有明顯提升, 訓練曲線平穩(wěn)且收斂效果好, 達到了98.4%, 其他3種模型訓練過程中的振蕩較嚴重, 且準確率明顯低于CA-EfficientNetV2模型; 在損失函數(shù)值上, 其他3種模型訓練過程中的振蕩極其嚴重, 而CA-EfficientNetV2模型的訓練過程較穩(wěn)定, 雖有輕微振蕩, 但不影響實驗結果, 并且損失函數(shù)值低于其他模型.

    總體分析CA-EfficientNetV2模型的訓練曲線, 由圖6(A)和(B)可見, 模型在前100輪保持穩(wěn)定的上升趨勢, 在后100輪準確率保持穩(wěn)定, 說明模型得到了擬合. 由圖6(C)和(D)可見, 模型在前40輪下降速度較快, 在后面的輪數(shù)中下降趨于平緩, 最后保持穩(wěn)定, 說明模型在訓練過程中得到收斂. 因此可證明CA-EfficientNetV2模型對腦腫瘤有良好的分類效果.

    為更清楚地表達CA-EfficientNetV2網絡對每個類別的預測結果, 也為更準確、 更方便地計算評判模型的評價指標, 本文給出了腦腫瘤圖像數(shù)據(jù)集在該模型下預測結果的混淆矩陣, 結果列于表3. 在混淆矩陣中, 從左上到右下的對角線表明每個類別正確預測的個數(shù), 對角線上的數(shù)量越多, 說明模型對驗證集數(shù)據(jù)的預測效果越好, 以此進一步評估模型的性能.

    表3 預測結果的混淆矩陣Table 3 Confusion matrix for prediction results

    由表3可見: 122例腦膜瘤中只有3例被錯誤預測為垂體瘤; 299例腦膠質瘤中有1例被錯誤預測為腦膜瘤, 4例被錯誤預測為垂體瘤; 192例垂體瘤中只有2例被錯誤預測為膠質瘤. 為更直觀地表達本文網絡模型的分類效果, 將腦膜瘤、 膠質瘤、 垂體瘤三類在Precision,Recall,Specificity,F1-Score評價指標上進行詳細分析, 結果列于表4.

    表4 本文網絡模型的評價指標Table 4 Evaluation indexes of proposed network model %

    經公式計算該模型在Precision,Recall,Specificity,F1-Score 4個評價指標上的均值達到98.3%,98.0%,99.1%,98.1%, 進一步證明了改進的網絡模型在腦腫瘤分類中的穩(wěn)定性和魯棒性.

    本文將CA-EfficientNetV2網絡模型與其他文獻中使用的相同數(shù)據(jù)集的分類方法進行對比, 對比結果列于表5. 由表5可見: 文獻[6]使用傳統(tǒng)機器學習的方法, 采用灰度直方圖、 灰度共生矩陣(GLCM)和詞袋模型(BOW)3種特征提取方法對腦腫瘤進行分類, 該方法最終的分類準確率為91.28%; 文獻[26]采用GAN網絡作為鑒別器, 用Softmax分類器代替最后一個全連接層, 最終對腦腫瘤的分類準確率為93.01%; 文獻[27]采用多尺寸卷積核模塊和多深度融合殘差塊相結合的方法, 最終得到的腦腫瘤分類準確率為93.51%; 本文方法得到的分類準確率達到98.4%. 實驗結果表明, 本文方法對腦膜瘤、 腦膠質瘤和垂體瘤3種腦部腫瘤有良好的分類效果.

    表5 不同方法的分類準確率對比Table 5 Comparison of classification accuracy of different methods

    3.4 消融實驗與分析

    為更好地評估CA-EfficientNetV2網絡模型的性能, 本文進行了消融實驗. 實驗將分別驗證引入坐標注意力模塊和Hard-Swish激活函數(shù)這兩個改進方法對模型準確率和損失率的影響.

    首先在原始數(shù)據(jù)集上進行測試, 雖然模型在復雜程度上有所增加, 但改進后的模型分類精確度有明顯優(yōu)勢, 在不同模塊部分的消融對比結果列于表6. 由表6可見: 僅將SiLU激活函數(shù)替換為Hard-Swish激活函數(shù)的實驗表明, 雖然在模型性能方面有所提升, 但準確率提升并不明顯; 當引入了坐標注意力模塊后, 模型的準確率顯著提高, 損失率也有所改善; 同時引入以上兩個模塊, 腦腫瘤圖像分類的網絡性能得到明顯提升. 通過消融實驗, 進一步證明了改進后的模型具有更好的分類性能.

    表6 在不同模塊部分的消融對比結果Table 6 Comparison of ablation results in different module sections

    綜上所述, 針對腦腫瘤磁共振圖像分類問題中過擬合及分類準確率較低的問題, 本文提出了一種基于改進EfficientNetV2網絡的腦腫瘤分類方法. 首先, 介紹了注意力機制的原理和模塊, 同時介紹了改進的Hard-Swish激活函數(shù); 其次, 介紹了基于改進EfficientNetV2網絡的腦腫瘤分類方法, 將原網絡中的SE注意力機制替換成CA注意力機制, 解決了因SE注意力機制在捕獲特征信息不足時產生網絡分類精度低的問題, 實驗結果表明, CA注意力機制在EfficentNetV2網絡模型中針對腦腫瘤分類的精度有很大提升; 再次, 本文改進了Hard-Swish激活函數(shù)并且融合了BN和Dropout層, 加快了網絡計算速度, 避免發(fā)生過擬合問題, 使網絡在穩(wěn)定性更好的前提下增加了準確率, 因此改進后的模型相對于其他模型有較高的分類精度, 并且性能也優(yōu)于其他模型, 分類準確率達到98.4%; 最后, 通過對比實驗和消融實驗驗證了改進腦腫瘤分類模型的先進性和有效性, 該模型能有效提高醫(yī)生的診斷效率.

    猜你喜歡
    注意力準確率卷積
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    高速公路車牌識別標識站準確率驗證法
    基于傅里葉域卷積表示的目標跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    国产精品伦人一区二区| 你懂的网址亚洲精品在线观看| 国产免费一级a男人的天堂| 国产精品秋霞免费鲁丝片| 久久影院123| 国产黄色视频一区二区在线观看| 黄色欧美视频在线观看| 国产午夜福利久久久久久| 亚洲天堂av无毛| 国产视频首页在线观看| 久久久久性生活片| 免费看不卡的av| 亚洲精品aⅴ在线观看| 国产精品av视频在线免费观看| 亚洲欧美精品专区久久| 成人特级av手机在线观看| 春色校园在线视频观看| 老女人水多毛片| 久久女婷五月综合色啪小说 | 国产人妻一区二区三区在| 在线观看人妻少妇| 欧美日韩一区二区视频在线观看视频在线 | 久久久成人免费电影| 国产成人福利小说| 在线观看国产h片| 久久ye,这里只有精品| 青青草视频在线视频观看| 国产高清有码在线观看视频| 国产精品久久久久久av不卡| 欧美成人a在线观看| 最近的中文字幕免费完整| 中文字幕免费在线视频6| 午夜免费鲁丝| 亚洲在久久综合| 一个人看视频在线观看www免费| 亚洲国产精品999| 18+在线观看网站| 久久这里有精品视频免费| 国产精品麻豆人妻色哟哟久久| 成人一区二区视频在线观看| 三级经典国产精品| 七月丁香在线播放| 久久久色成人| 另类亚洲欧美激情| 免费看a级黄色片| 综合色av麻豆| 国产精品伦人一区二区| 免费av不卡在线播放| 日韩伦理黄色片| 国产黄片视频在线免费观看| 国产69精品久久久久777片| 日韩在线高清观看一区二区三区| 亚洲真实伦在线观看| 国产视频首页在线观看| 嘟嘟电影网在线观看| 欧美激情国产日韩精品一区| 男女下面进入的视频免费午夜| 啦啦啦中文免费视频观看日本| 建设人人有责人人尽责人人享有的 | 亚洲欧美一区二区三区国产| 久久这里有精品视频免费| 中文天堂在线官网| 深爱激情五月婷婷| 九九爱精品视频在线观看| 精品酒店卫生间| 久久精品国产自在天天线| 欧美zozozo另类| 特大巨黑吊av在线直播| 一个人看的www免费观看视频| 亚洲国产av新网站| 亚洲精品国产av成人精品| 国产亚洲av片在线观看秒播厂| 欧美区成人在线视频| 亚洲av男天堂| 国产 精品1| 亚洲av中文字字幕乱码综合| 神马国产精品三级电影在线观看| 日韩欧美 国产精品| 国产91av在线免费观看| 亚洲国产最新在线播放| 欧美日韩视频高清一区二区三区二| 免费在线观看成人毛片| 天天一区二区日本电影三级| 最新中文字幕久久久久| 日本一二三区视频观看| 欧美97在线视频| 交换朋友夫妻互换小说| 久久精品久久久久久噜噜老黄| 一本色道久久久久久精品综合| 婷婷色综合大香蕉| 男人舔奶头视频| 亚洲伊人久久精品综合| 国产av国产精品国产| 狠狠精品人妻久久久久久综合| 亚洲色图av天堂| 亚洲怡红院男人天堂| 一级毛片我不卡| 丝袜喷水一区| 国内少妇人妻偷人精品xxx网站| 一级毛片电影观看| 建设人人有责人人尽责人人享有的 | 51国产日韩欧美| 18+在线观看网站| 街头女战士在线观看网站| 精品少妇久久久久久888优播| 99热这里只有精品一区| 国产精品久久久久久久电影| 爱豆传媒免费全集在线观看| 一级黄片播放器| 高清视频免费观看一区二区| 一区二区av电影网| av女优亚洲男人天堂| 午夜视频国产福利| 亚洲欧美精品专区久久| 最后的刺客免费高清国语| 观看免费一级毛片| 成人毛片60女人毛片免费| 国产有黄有色有爽视频| 免费不卡的大黄色大毛片视频在线观看| 2021少妇久久久久久久久久久| 日韩电影二区| 日本色播在线视频| 久久综合国产亚洲精品| 熟女人妻精品中文字幕| 男人狂女人下面高潮的视频| 一级毛片aaaaaa免费看小| 女人久久www免费人成看片| 午夜日本视频在线| 九九久久精品国产亚洲av麻豆| 国产视频首页在线观看| 亚洲最大成人手机在线| 国产69精品久久久久777片| 青春草视频在线免费观看| 亚洲最大成人中文| 日日啪夜夜撸| 99热网站在线观看| 狂野欧美白嫩少妇大欣赏| 人妻一区二区av| 免费播放大片免费观看视频在线观看| 午夜福利视频1000在线观看| 大又大粗又爽又黄少妇毛片口| 神马国产精品三级电影在线观看| 欧美日韩国产mv在线观看视频 | 全区人妻精品视频| 美女xxoo啪啪120秒动态图| 狠狠精品人妻久久久久久综合| 国产熟女欧美一区二区| 欧美性感艳星| 国产一区有黄有色的免费视频| 中文字幕av成人在线电影| 一级毛片久久久久久久久女| 51国产日韩欧美| 日韩电影二区| 亚洲av日韩在线播放| 国产一区二区在线观看日韩| 麻豆成人午夜福利视频| 成年版毛片免费区| 一本色道久久久久久精品综合| 狂野欧美白嫩少妇大欣赏| 亚洲欧美日韩东京热| 一级毛片 在线播放| 丝袜脚勾引网站| 国产伦在线观看视频一区| 国产永久视频网站| 国产精品av视频在线免费观看| 日本爱情动作片www.在线观看| 直男gayav资源| 美女脱内裤让男人舔精品视频| 久久久久久伊人网av| 久久精品久久精品一区二区三区| av在线app专区| 国产精品一区二区性色av| 亚洲精品国产色婷婷电影| 欧美成人精品欧美一级黄| 欧美区成人在线视频| 国国产精品蜜臀av免费| 欧美 日韩 精品 国产| 欧美区成人在线视频| av一本久久久久| 亚洲国产成人一精品久久久| 日韩一本色道免费dvd| 免费观看性生交大片5| 国产在线一区二区三区精| 欧美精品人与动牲交sv欧美| 卡戴珊不雅视频在线播放| 联通29元200g的流量卡| www.色视频.com| 亚洲欧美一区二区三区国产| 国产有黄有色有爽视频| 久久久久久国产a免费观看| 久久久久国产精品人妻一区二区| a级一级毛片免费在线观看| 免费看光身美女| 1000部很黄的大片| 日本午夜av视频| 激情五月婷婷亚洲| 久久久色成人| 看十八女毛片水多多多| 国产黄a三级三级三级人| 国产精品国产三级国产专区5o| 国产又色又爽无遮挡免| 美女脱内裤让男人舔精品视频| 久久久久久伊人网av| 国产淫片久久久久久久久| 尾随美女入室| 亚洲av福利一区| 免费看av在线观看网站| 欧美精品一区二区大全| 97热精品久久久久久| 另类亚洲欧美激情| 中国三级夫妇交换| 亚洲精品456在线播放app| 日本免费在线观看一区| 一级二级三级毛片免费看| av黄色大香蕉| 3wmmmm亚洲av在线观看| 亚洲人与动物交配视频| 你懂的网址亚洲精品在线观看| 偷拍熟女少妇极品色| 国产亚洲av片在线观看秒播厂| 只有这里有精品99| 国产淫片久久久久久久久| www.av在线官网国产| 大片电影免费在线观看免费| 99热这里只有精品一区| 精品国产露脸久久av麻豆| 日日撸夜夜添| 亚洲高清免费不卡视频| 搞女人的毛片| 激情五月婷婷亚洲| 夜夜爽夜夜爽视频| 亚洲av男天堂| 免费看av在线观看网站| 天天躁夜夜躁狠狠久久av| 国产免费视频播放在线视频| 久久久欧美国产精品| 久久久久久伊人网av| 美女高潮的动态| 国产有黄有色有爽视频| 久久久久久久午夜电影| 久久久久国产精品人妻一区二区| 成年版毛片免费区| 精品少妇久久久久久888优播| 大又大粗又爽又黄少妇毛片口| eeuss影院久久| 亚洲欧美中文字幕日韩二区| 夫妻性生交免费视频一级片| 69人妻影院| 免费看日本二区| 日韩一区二区视频免费看| 日韩人妻高清精品专区| 激情五月婷婷亚洲| 美女高潮的动态| 三级经典国产精品| 亚洲国产精品专区欧美| 免费在线观看成人毛片| 国内少妇人妻偷人精品xxx网站| 亚洲婷婷狠狠爱综合网| 色综合色国产| 青青草视频在线视频观看| 精品视频人人做人人爽| 高清日韩中文字幕在线| 91精品国产九色| 国产乱人视频| 久久久久九九精品影院| 久久精品夜色国产| 免费看不卡的av| 少妇丰满av| 丰满少妇做爰视频| 国产探花在线观看一区二区| 亚洲精品亚洲一区二区| 久久影院123| 晚上一个人看的免费电影| 亚洲人成网站在线观看播放| 精品人妻偷拍中文字幕| 亚洲精品国产av成人精品| 国产一区二区三区综合在线观看 | 春色校园在线视频观看| 精品国产一区二区三区久久久樱花 | 亚洲av免费在线观看| 极品教师在线视频| 中文欧美无线码| 国产 精品1| 一级毛片黄色毛片免费观看视频| 毛片一级片免费看久久久久| 免费大片黄手机在线观看| 国产精品爽爽va在线观看网站| 男女那种视频在线观看| 我的女老师完整版在线观看| 亚洲精品一区蜜桃| 国内揄拍国产精品人妻在线| 极品教师在线视频| 日本午夜av视频| 三级国产精品片| 1000部很黄的大片| 精品一区二区三区视频在线| 人人妻人人爽人人添夜夜欢视频 | 欧美3d第一页| 久久99精品国语久久久| 97精品久久久久久久久久精品| 国产精品久久久久久久电影| 一区二区三区乱码不卡18| 免费大片黄手机在线观看| 欧美另类一区| 别揉我奶头 嗯啊视频| 日本-黄色视频高清免费观看| 国产亚洲午夜精品一区二区久久 | 麻豆国产97在线/欧美| av黄色大香蕉| 亚洲av.av天堂| 亚洲精品国产av蜜桃| 91aial.com中文字幕在线观看| 国产亚洲精品久久久com| 亚洲性久久影院| 免费播放大片免费观看视频在线观看| av卡一久久| 久久久久久久亚洲中文字幕| 精品人妻视频免费看| 麻豆乱淫一区二区| 国产精品一区二区性色av| 99九九线精品视频在线观看视频| 婷婷色av中文字幕| 国产老妇女一区| 一级片'在线观看视频| 欧美成人午夜免费资源| 免费播放大片免费观看视频在线观看| 国产片特级美女逼逼视频| 亚洲性久久影院| 久久国产乱子免费精品| 国产 精品1| 国产免费一级a男人的天堂| 性色avwww在线观看| 成人亚洲精品一区在线观看 | 黄片无遮挡物在线观看| 日韩欧美精品免费久久| 80岁老熟妇乱子伦牲交| 黄片wwwwww| 国模一区二区三区四区视频| 联通29元200g的流量卡| 国产一区二区三区av在线| 欧美日韩国产mv在线观看视频 | 欧美变态另类bdsm刘玥| 成人黄色视频免费在线看| 精品一区二区三区视频在线| 国产精品一区二区性色av| 国内精品宾馆在线| 我的老师免费观看完整版| 亚洲高清免费不卡视频| 午夜免费男女啪啪视频观看| 草草在线视频免费看| 男人和女人高潮做爰伦理| 日韩成人伦理影院| 久久精品久久久久久噜噜老黄| 亚洲国产精品成人久久小说| 搞女人的毛片| 日日撸夜夜添| 国产视频内射| 九九在线视频观看精品| 我要看日韩黄色一级片| 观看免费一级毛片| 日本午夜av视频| av女优亚洲男人天堂| 色综合色国产| 亚洲最大成人av| 中文字幕人妻熟人妻熟丝袜美| 自拍偷自拍亚洲精品老妇| 99热6这里只有精品| 久久精品人妻少妇| 日韩一区二区三区影片| 亚洲熟女精品中文字幕| 女的被弄到高潮叫床怎么办| 少妇人妻 视频| 亚洲精品乱码久久久v下载方式| 国产一区二区在线观看日韩| 久久精品国产鲁丝片午夜精品| 久久99热这里只有精品18| 亚洲精品一区蜜桃| 丰满人妻一区二区三区视频av| 久热久热在线精品观看| 日韩av不卡免费在线播放| 亚洲综合精品二区| 人妻一区二区av| 777米奇影视久久| 欧美一区二区亚洲| 成人鲁丝片一二三区免费| 午夜福利网站1000一区二区三区| 五月天丁香电影| 交换朋友夫妻互换小说| 免费在线观看成人毛片| 身体一侧抽搐| 国产精品久久久久久av不卡| 国产成人一区二区在线| 日韩三级伦理在线观看| 美女被艹到高潮喷水动态| 国国产精品蜜臀av免费| 日本一本二区三区精品| 国产精品av视频在线免费观看| 狂野欧美激情性bbbbbb| 黄色日韩在线| av在线天堂中文字幕| 人妻一区二区av| 精品少妇久久久久久888优播| 久久久久国产网址| 丰满少妇做爰视频| 麻豆久久精品国产亚洲av| 久久国内精品自在自线图片| 不卡视频在线观看欧美| 亚洲欧洲日产国产| 又爽又黄a免费视频| 国产一区二区三区av在线| 久热久热在线精品观看| 亚洲国产精品专区欧美| 男女那种视频在线观看| 欧美另类一区| 免费看光身美女| 国产精品久久久久久av不卡| 日本-黄色视频高清免费观看| 国产片特级美女逼逼视频| 国产成人91sexporn| 成人亚洲精品av一区二区| 国产精品av视频在线免费观看| 中文在线观看免费www的网站| 丰满人妻一区二区三区视频av| 亚洲三级黄色毛片| 综合色av麻豆| 看免费成人av毛片| 国产精品久久久久久av不卡| 亚洲欧美一区二区三区黑人 | 国产探花极品一区二区| 大片免费播放器 马上看| 高清午夜精品一区二区三区| 久久国内精品自在自线图片| 亚洲激情五月婷婷啪啪| 国产v大片淫在线免费观看| 26uuu在线亚洲综合色| 亚洲精品乱码久久久v下载方式| 99久久中文字幕三级久久日本| 成人美女网站在线观看视频| 欧美少妇被猛烈插入视频| 人妻一区二区av| 丝袜美腿在线中文| 亚洲国产高清在线一区二区三| 在线 av 中文字幕| 国产精品福利在线免费观看| 国产69精品久久久久777片| 午夜日本视频在线| 中文乱码字字幕精品一区二区三区| 黄色日韩在线| av国产精品久久久久影院| 国产伦理片在线播放av一区| 久久精品久久久久久久性| 成人亚洲欧美一区二区av| 亚洲色图综合在线观看| 熟女av电影| 久久99热这里只频精品6学生| 成人免费观看视频高清| 成年人午夜在线观看视频| 亚洲一区二区三区欧美精品 | 久久久久久久久大av| 大又大粗又爽又黄少妇毛片口| 噜噜噜噜噜久久久久久91| 国产伦理片在线播放av一区| 91久久精品国产一区二区三区| 人妻 亚洲 视频| 国产欧美另类精品又又久久亚洲欧美| 欧美高清性xxxxhd video| 国产精品成人在线| a级毛色黄片| 中文字幕av成人在线电影| 禁无遮挡网站| .国产精品久久| 一个人观看的视频www高清免费观看| 亚洲精华国产精华液的使用体验| 爱豆传媒免费全集在线观看| 内地一区二区视频在线| 亚洲自拍偷在线| 国产精品一二三区在线看| 亚洲精品亚洲一区二区| 久久久久久久国产电影| 国产亚洲91精品色在线| 高清视频免费观看一区二区| 一级毛片我不卡| 久久精品人妻少妇| 亚洲人成网站在线播| www.色视频.com| 日日啪夜夜爽| 国产伦精品一区二区三区视频9| 日韩一区二区三区影片| 亚洲成人中文字幕在线播放| 亚洲人成网站高清观看| 偷拍熟女少妇极品色| 三级男女做爰猛烈吃奶摸视频| 在线 av 中文字幕| 亚洲天堂av无毛| av在线老鸭窝| 国产精品女同一区二区软件| 欧美区成人在线视频| 97精品久久久久久久久久精品| 久久精品国产自在天天线| 国产免费又黄又爽又色| 日韩成人av中文字幕在线观看| 插逼视频在线观看| 人妻系列 视频| 欧美日韩精品成人综合77777| 久久久久久久国产电影| 少妇人妻 视频| 内地一区二区视频在线| 99久久中文字幕三级久久日本| 午夜免费男女啪啪视频观看| 嫩草影院入口| 亚洲精品自拍成人| 人妻系列 视频| 91aial.com中文字幕在线观看| 干丝袜人妻中文字幕| 国产黄色免费在线视频| a级毛色黄片| 久久99蜜桃精品久久| 99热6这里只有精品| 亚洲精品乱码久久久久久按摩| 国产精品一区www在线观看| 国产高潮美女av| av女优亚洲男人天堂| av.在线天堂| 人妻系列 视频| 亚洲国产av新网站| 国产一区有黄有色的免费视频| 一级片'在线观看视频| 免费人成在线观看视频色| 久久久久久国产a免费观看| 男女无遮挡免费网站观看| 国产亚洲91精品色在线| 久久这里有精品视频免费| 一级片'在线观看视频| 国产伦在线观看视频一区| 男插女下体视频免费在线播放| 国产有黄有色有爽视频| 久久久久网色| 精品国产一区二区三区久久久樱花 | 久久久久久久午夜电影| 精品一区二区三卡| 亚洲av福利一区| 中文字幕久久专区| 欧美精品国产亚洲| 中文在线观看免费www的网站| 丰满人妻一区二区三区视频av| 国产成人a区在线观看| 成人特级av手机在线观看| 国产探花极品一区二区| 嫩草影院入口| 高清午夜精品一区二区三区| 好男人在线观看高清免费视频| 亚洲国产高清在线一区二区三| 毛片女人毛片| 亚洲av中文av极速乱| 亚洲图色成人| 国产精品爽爽va在线观看网站| 99精国产麻豆久久婷婷| 日本黄色片子视频| 777米奇影视久久| 国产欧美亚洲国产| 日韩 亚洲 欧美在线| 国内揄拍国产精品人妻在线| 午夜免费男女啪啪视频观看| 亚洲va在线va天堂va国产| 日韩欧美精品v在线| 亚洲精品国产av蜜桃| 精品久久久久久电影网| 久久精品国产亚洲av天美| 视频区图区小说| 国产在线一区二区三区精| 亚洲精品乱久久久久久| 一级毛片aaaaaa免费看小| 亚洲精品国产色婷婷电影| 精品国产露脸久久av麻豆| av女优亚洲男人天堂| 国产精品成人在线| 内地一区二区视频在线| 男女下面进入的视频免费午夜| 成年av动漫网址| 精品一区二区免费观看| 夜夜爽夜夜爽视频| 欧美少妇被猛烈插入视频| 熟女av电影| 天美传媒精品一区二区| 久久久久久久久久久免费av| 能在线免费看毛片的网站| 日韩一本色道免费dvd| 亚洲天堂国产精品一区在线| 国产精品女同一区二区软件| 国产精品一区二区性色av| 欧美成人午夜免费资源| 一级二级三级毛片免费看| 国产精品一区二区性色av| 欧美高清性xxxxhd video| 亚洲av电影在线观看一区二区三区 | 亚洲最大成人av| 制服丝袜香蕉在线| 亚洲美女搞黄在线观看| 搡老乐熟女国产| 日本-黄色视频高清免费观看| 天堂俺去俺来也www色官网| 日韩不卡一区二区三区视频在线| 99热这里只有是精品50| 国产av不卡久久| 欧美+日韩+精品| 91久久精品国产一区二区成人| 全区人妻精品视频| 下体分泌物呈黄色| 一区二区三区精品91| 日日啪夜夜爽| 久久久久久国产a免费观看| 国产成人一区二区在线| 插阴视频在线观看视频| 日本午夜av视频| 欧美日韩视频高清一区二区三区二|