• <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
    亚洲熟妇熟女久久| 日韩欧美国产在线观看| 国产成人一区二区在线| 三级国产精品欧美在线观看| 高清日韩中文字幕在线| 少妇的逼好多水| 日韩三级伦理在线观看| 久久久色成人| 免费观看精品视频网站| 永久网站在线| 久久99热这里只有精品18| 我的老师免费观看完整版| 一a级毛片在线观看| 麻豆国产97在线/欧美| 99riav亚洲国产免费| 老司机福利观看| 亚洲成av人片在线播放无| 日韩欧美在线乱码| 人人妻,人人澡人人爽秒播| 日韩制服骚丝袜av| 校园人妻丝袜中文字幕| 久久久国产成人免费| 中文字幕免费在线视频6| 国产精品野战在线观看| 午夜福利在线观看免费完整高清在 | 97人妻精品一区二区三区麻豆| 十八禁网站免费在线| 两个人视频免费观看高清| 超碰av人人做人人爽久久| 午夜激情欧美在线| 中文资源天堂在线| 国产一区二区三区av在线 | 久久6这里有精品| 久久久国产成人免费| 亚洲人成网站高清观看| 一级黄色大片毛片| 高清日韩中文字幕在线| 久久婷婷人人爽人人干人人爱| 亚洲精品粉嫩美女一区| av在线播放精品| 亚洲精品国产av成人精品 | 久久鲁丝午夜福利片| 日本成人三级电影网站| 欧美一区二区精品小视频在线| 无遮挡黄片免费观看| 大香蕉久久网| 婷婷精品国产亚洲av| 欧美日韩一区二区视频在线观看视频在线 | 尾随美女入室| av在线播放精品| 国产国拍精品亚洲av在线观看| 国产高清激情床上av| 日韩制服骚丝袜av| 天堂动漫精品| 国产精品,欧美在线| 成人鲁丝片一二三区免费| 久久久精品大字幕| 小蜜桃在线观看免费完整版高清| 精品少妇黑人巨大在线播放 | 亚洲国产精品sss在线观看| 日韩中字成人| 美女黄网站色视频| 色吧在线观看| 亚洲精品国产成人久久av| 中文字幕熟女人妻在线| 日本爱情动作片www.在线观看 | 成人高潮视频无遮挡免费网站| 免费观看在线日韩| 嫩草影视91久久| 国产一区二区三区av在线 | 久久九九热精品免费| 天天躁日日操中文字幕| 在线观看午夜福利视频| 日韩 亚洲 欧美在线| 一级av片app| 一本精品99久久精品77| 亚洲av成人精品一区久久| 大又大粗又爽又黄少妇毛片口| 亚洲欧美日韩东京热| 国产极品精品免费视频能看的| 国产乱人视频| 亚洲自拍偷在线| 久久精品国产清高在天天线| 乱人视频在线观看| 日本撒尿小便嘘嘘汇集6| 中国美白少妇内射xxxbb| 人人妻人人澡欧美一区二区| 日本爱情动作片www.在线观看 | 丰满人妻一区二区三区视频av| 午夜免费激情av| 成人美女网站在线观看视频| 亚洲精品亚洲一区二区| 九九热线精品视视频播放| 亚洲国产精品成人久久小说 | 成人毛片a级毛片在线播放| 男女做爰动态图高潮gif福利片| 国内揄拍国产精品人妻在线| 小说图片视频综合网站| 午夜福利在线在线| 亚洲乱码一区二区免费版| 欧美日韩精品成人综合77777| 亚洲熟妇中文字幕五十中出| 亚洲五月天丁香| 久久99热6这里只有精品| 九九爱精品视频在线观看| 97超碰精品成人国产| 日本黄色视频三级网站网址| 欧美又色又爽又黄视频| 国产精品无大码| 亚洲精品色激情综合| 舔av片在线| 插阴视频在线观看视频| 亚洲成a人片在线一区二区| 成熟少妇高潮喷水视频| 午夜精品一区二区三区免费看| 成人高潮视频无遮挡免费网站| 欧美日韩一区二区视频在线观看视频在线 | 最新中文字幕久久久久| 国产成人福利小说| 国产精品久久视频播放| 国产成人a区在线观看| 一进一出抽搐gif免费好疼| 91久久精品国产一区二区三区| 亚洲成a人片在线一区二区| 看免费成人av毛片| 变态另类丝袜制服| 国产日本99.免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 成人国产麻豆网| 久久久久九九精品影院| 中文字幕av在线有码专区| 亚洲自拍偷在线| 久久韩国三级中文字幕| 日韩欧美三级三区| 国产中年淑女户外野战色| 亚洲,欧美,日韩| avwww免费| 俺也久久电影网| 欧美潮喷喷水| 欧美日韩在线观看h| 99九九线精品视频在线观看视频| 午夜福利成人在线免费观看| 国产极品精品免费视频能看的| 久久精品影院6| aaaaa片日本免费| 亚洲欧美日韩东京热| 日韩制服骚丝袜av| 一级黄片播放器| 成人高潮视频无遮挡免费网站| 精品一区二区免费观看| 亚洲欧美日韩高清专用| 亚洲国产精品合色在线| 免费不卡的大黄色大毛片视频在线观看 | 日韩av在线大香蕉| 丝袜美腿在线中文| 老司机影院成人| 亚洲欧美精品综合久久99| 国内精品久久久久精免费| 99久久九九国产精品国产免费| 一区二区三区高清视频在线| 国产高清激情床上av| 99在线人妻在线中文字幕| 亚洲aⅴ乱码一区二区在线播放| 国产成人aa在线观看| 亚洲天堂国产精品一区在线| 亚洲性久久影院| 在线观看av片永久免费下载| 在线观看av片永久免费下载| 日韩欧美在线乱码| 亚洲国产精品合色在线| 在线观看av片永久免费下载| 欧美日韩精品成人综合77777| 色吧在线观看| 免费人成视频x8x8入口观看| 久久99热6这里只有精品| 日韩大尺度精品在线看网址| 人妻制服诱惑在线中文字幕| 国产三级中文精品| 国产精品人妻久久久影院| 亚洲高清免费不卡视频| 男人狂女人下面高潮的视频| 赤兔流量卡办理| 免费在线观看影片大全网站| 亚洲av美国av| 亚洲高清免费不卡视频| 又爽又黄无遮挡网站| 午夜日韩欧美国产| 日韩精品青青久久久久久| 蜜桃久久精品国产亚洲av| 国产激情偷乱视频一区二区| 小说图片视频综合网站| 欧美bdsm另类| 俄罗斯特黄特色一大片| 男插女下体视频免费在线播放| 亚洲av电影不卡..在线观看| 久久久久久久久久成人| 午夜福利在线在线| 亚洲自偷自拍三级| 欧美xxxx黑人xx丫x性爽| 国产69精品久久久久777片| 国产精品野战在线观看| 国产成人精品久久久久久| 少妇丰满av| 国产黄色小视频在线观看| 久99久视频精品免费| 精品一区二区三区av网在线观看| 日韩中字成人| 国产真实乱freesex| 少妇熟女aⅴ在线视频| 亚洲成人中文字幕在线播放| 观看美女的网站| 十八禁国产超污无遮挡网站| 国产高清视频在线播放一区| 欧美一区二区国产精品久久精品| 欧美国产日韩亚洲一区| 国产精品福利在线免费观看| 麻豆国产av国片精品| 久久久久国产网址| 最近视频中文字幕2019在线8| 久久久久久久久久久丰满| 国产三级中文精品| 毛片女人毛片| av福利片在线观看| 男女之事视频高清在线观看| 国产色爽女视频免费观看| 午夜福利18| 国内精品宾馆在线| 变态另类成人亚洲欧美熟女| 天美传媒精品一区二区| 亚洲丝袜综合中文字幕| 男女做爰动态图高潮gif福利片| 亚洲人与动物交配视频| 亚洲专区国产一区二区| а√天堂www在线а√下载| 青春草视频在线免费观看| 一a级毛片在线观看| 国产美女午夜福利| 身体一侧抽搐| 亚洲va在线va天堂va国产| 欧美人与善性xxx| 亚洲av免费在线观看| 色视频www国产| 国产午夜福利久久久久久| 最近中文字幕高清免费大全6| 成人美女网站在线观看视频| 日韩中字成人| 热99re8久久精品国产| 欧美日韩综合久久久久久| 免费看美女性在线毛片视频| 精品久久久噜噜| 午夜a级毛片| 中文字幕精品亚洲无线码一区| 在线观看免费视频日本深夜| 免费搜索国产男女视频| 日本熟妇午夜| 久久综合国产亚洲精品| 人人妻人人看人人澡| 美女黄网站色视频| 国产乱人偷精品视频| 久久人人精品亚洲av| 1024手机看黄色片| av福利片在线观看| 91久久精品国产一区二区成人| 午夜免费男女啪啪视频观看 | 国产单亲对白刺激| 变态另类成人亚洲欧美熟女| 丰满乱子伦码专区| 亚洲丝袜综合中文字幕| 五月玫瑰六月丁香| 国产aⅴ精品一区二区三区波| 欧美日韩在线观看h| 国产人妻一区二区三区在| 亚洲经典国产精华液单| 国产精品女同一区二区软件| 午夜日韩欧美国产| 久久精品影院6| 色尼玛亚洲综合影院| 亚洲真实伦在线观看| 欧美色视频一区免费| 在线观看66精品国产| 午夜亚洲福利在线播放| 久久久久免费精品人妻一区二区| 淫秽高清视频在线观看| a级一级毛片免费在线观看| 我的女老师完整版在线观看| 亚洲第一电影网av| 国产精品av视频在线免费观看| 桃色一区二区三区在线观看| 神马国产精品三级电影在线观看| 一本一本综合久久| 亚洲中文日韩欧美视频| 亚洲成人中文字幕在线播放| 又黄又爽又免费观看的视频| 永久网站在线| 深夜精品福利| 免费观看的影片在线观看| 日本一本二区三区精品| 亚洲成人久久性| 麻豆国产97在线/欧美| 热99re8久久精品国产| 欧美最黄视频在线播放免费| 91午夜精品亚洲一区二区三区| 乱人视频在线观看| 又爽又黄无遮挡网站| av福利片在线观看| 精品乱码久久久久久99久播| 午夜精品在线福利| av专区在线播放| 日本五十路高清| 成人午夜高清在线视频| av在线老鸭窝| 2021天堂中文幕一二区在线观| 简卡轻食公司| 久久久久久九九精品二区国产| 国产精华一区二区三区| 日本黄色视频三级网站网址| 国产精华一区二区三区| 久久精品91蜜桃| 久久午夜福利片| 国产精品国产高清国产av| 欧美性感艳星| 欧美+日韩+精品| 噜噜噜噜噜久久久久久91| 欧美潮喷喷水| 久久久久久国产a免费观看| 又爽又黄无遮挡网站| 亚洲欧美精品自产自拍| 综合色丁香网| 干丝袜人妻中文字幕| 国产精品一二三区在线看| 久久鲁丝午夜福利片| 亚洲内射少妇av| 中文字幕免费在线视频6| 永久网站在线| 免费观看人在逋| 啦啦啦韩国在线观看视频| 久久精品国产自在天天线| 精品一区二区三区视频在线| 亚洲精品一卡2卡三卡4卡5卡| 黄色视频,在线免费观看| 精品久久久噜噜| 搡老岳熟女国产| 亚洲成人久久爱视频| 亚洲丝袜综合中文字幕| 亚洲欧美成人综合另类久久久 | 婷婷精品国产亚洲av在线| 久久久久久大精品| 久久久色成人| 一本精品99久久精品77| 日韩一本色道免费dvd| 欧美xxxx黑人xx丫x性爽| 国产色爽女视频免费观看| av中文乱码字幕在线| 精品免费久久久久久久清纯| 老女人水多毛片| 久久久久久九九精品二区国产| 久久6这里有精品| 精品一区二区三区av网在线观看| 午夜影院日韩av| 男女视频在线观看网站免费| 亚洲中文日韩欧美视频| 日本 av在线| 亚洲人与动物交配视频| 婷婷精品国产亚洲av| 久久久久久国产a免费观看| 内地一区二区视频在线| 日韩一本色道免费dvd| 久久天躁狠狠躁夜夜2o2o| 国产精品人妻久久久久久| 国产精品,欧美在线| 国产精品久久久久久久久免| 国产免费一级a男人的天堂| 亚洲av免费高清在线观看| 亚洲中文字幕一区二区三区有码在线看| 国产亚洲精品久久久com| 日本-黄色视频高清免费观看| 性色avwww在线观看| 全区人妻精品视频| 精品一区二区三区视频在线| 欧美+亚洲+日韩+国产| 美女 人体艺术 gogo| 国产精品久久久久久亚洲av鲁大| 成人鲁丝片一二三区免费| 少妇人妻一区二区三区视频| 一卡2卡三卡四卡精品乱码亚洲| 久久精品久久久久久噜噜老黄 | 麻豆av噜噜一区二区三区| 国产午夜精品久久久久久一区二区三区 | 亚洲丝袜综合中文字幕| 噜噜噜噜噜久久久久久91| 久久亚洲国产成人精品v| 在线观看美女被高潮喷水网站| 欧美激情国产日韩精品一区| 丝袜美腿在线中文| 国产视频一区二区在线看| 美女cb高潮喷水在线观看| 不卡一级毛片| 久久精品夜色国产| 无遮挡黄片免费观看| 91精品国产九色| 18禁黄网站禁片免费观看直播| 成人亚洲精品av一区二区| 久久国产乱子免费精品| 久久精品国产亚洲av天美| 日日撸夜夜添| 一级毛片aaaaaa免费看小| 色综合站精品国产| 内射极品少妇av片p| 免费大片18禁| 国语自产精品视频在线第100页| 午夜福利在线观看吧| 在线a可以看的网站| 一级毛片我不卡| 不卡一级毛片| 韩国av在线不卡| 99热精品在线国产| 亚洲av成人av| 91在线观看av| 一区二区三区四区激情视频 | 久久婷婷人人爽人人干人人爱| 久久久久精品国产欧美久久久| 久久久久久久久久黄片| 午夜视频国产福利| 18禁黄网站禁片免费观看直播| 久久婷婷人人爽人人干人人爱| 又爽又黄a免费视频| 深夜精品福利| 免费av观看视频| 天美传媒精品一区二区| 欧美最新免费一区二区三区| 最近在线观看免费完整版| 亚洲激情五月婷婷啪啪| 国产精品久久久久久久久免| 亚洲av.av天堂| 蜜桃久久精品国产亚洲av| 国产精品一及| 国产在线男女| 国产高清有码在线观看视频| 高清午夜精品一区二区三区 | 99热精品在线国产| 美女xxoo啪啪120秒动态图| 久久鲁丝午夜福利片| 18禁在线无遮挡免费观看视频 | 夜夜夜夜夜久久久久| 美女免费视频网站| 国产aⅴ精品一区二区三区波| 久久精品影院6| 亚洲精华国产精华液的使用体验 | 欧美极品一区二区三区四区| 精品乱码久久久久久99久播| 中文字幕av在线有码专区| 男女之事视频高清在线观看| 看黄色毛片网站| 少妇的逼好多水| 97超级碰碰碰精品色视频在线观看| 能在线免费观看的黄片| 色综合色国产| 亚洲av中文字字幕乱码综合| 久久99热这里只有精品18| 免费看日本二区| 神马国产精品三级电影在线观看| 最近手机中文字幕大全| 黄色一级大片看看| 美女xxoo啪啪120秒动态图| 可以在线观看毛片的网站| 国产精品国产三级国产av玫瑰| 高清毛片免费看| 久久国产乱子免费精品| 51国产日韩欧美| 国内精品美女久久久久久| 日韩欧美精品免费久久| 国产精品乱码一区二三区的特点| 午夜亚洲福利在线播放| 色5月婷婷丁香| 我要搜黄色片| 国产亚洲精品久久久久久毛片| 午夜爱爱视频在线播放| www日本黄色视频网| 最近最新中文字幕大全电影3| 国产精品日韩av在线免费观看| 搡老熟女国产l中国老女人| 男女视频在线观看网站免费| 日韩欧美 国产精品| 性欧美人与动物交配| 色综合亚洲欧美另类图片| 美女被艹到高潮喷水动态| 校园人妻丝袜中文字幕| 亚洲电影在线观看av| 久久人人爽人人片av| 日韩精品有码人妻一区| 99精品在免费线老司机午夜| 亚洲av第一区精品v没综合| 高清午夜精品一区二区三区 | 久久精品国产鲁丝片午夜精品| 99在线人妻在线中文字幕| 欧美激情国产日韩精品一区| 亚洲欧美清纯卡通| 人人妻人人澡欧美一区二区| av黄色大香蕉| 久久久精品欧美日韩精品| 一个人看的www免费观看视频| av女优亚洲男人天堂| 久久国产乱子免费精品| av在线老鸭窝| 亚洲性夜色夜夜综合| 亚洲专区国产一区二区| 在线免费观看不下载黄p国产| avwww免费| 成人一区二区视频在线观看| 两个人视频免费观看高清| 国产午夜福利久久久久久| 久久99热6这里只有精品| 免费av毛片视频| 亚洲人成网站在线观看播放| 丝袜美腿在线中文| ponron亚洲| 成人亚洲精品av一区二区| 长腿黑丝高跟| 黄色配什么色好看| 别揉我奶头~嗯~啊~动态视频| 18禁黄网站禁片免费观看直播| 国产在线精品亚洲第一网站| 日本免费a在线| 国产极品精品免费视频能看的| 亚洲一区高清亚洲精品| 免费不卡的大黄色大毛片视频在线观看 | 99热网站在线观看| 在线播放无遮挡| 一级毛片我不卡| 亚洲真实伦在线观看| 日韩欧美国产在线观看| 俄罗斯特黄特色一大片| 亚洲国产高清在线一区二区三| 成年免费大片在线观看| 日韩三级伦理在线观看| 久久精品国产亚洲av涩爱 | 亚洲三级黄色毛片| 亚洲av熟女| 中文字幕人妻熟人妻熟丝袜美| 丰满人妻一区二区三区视频av| 中国美白少妇内射xxxbb| 一级毛片我不卡| 2021天堂中文幕一二区在线观| 国产 一区 欧美 日韩| a级毛片免费高清观看在线播放| 国产精品1区2区在线观看.| 中文字幕精品亚洲无线码一区| 精品一区二区免费观看| 日韩在线高清观看一区二区三区| 插阴视频在线观看视频| 日日摸夜夜添夜夜爱| 亚洲成人久久性| 校园春色视频在线观看| 一级毛片电影观看 | 中文在线观看免费www的网站| 听说在线观看完整版免费高清| 亚洲中文字幕日韩| 久久草成人影院| 99在线人妻在线中文字幕| 伦理电影大哥的女人| 可以在线观看的亚洲视频| 国产伦精品一区二区三区视频9| 看黄色毛片网站| 亚洲va在线va天堂va国产| 日韩欧美精品v在线| 国产色婷婷99| 少妇猛男粗大的猛烈进出视频 | 偷拍熟女少妇极品色| 九九在线视频观看精品| 别揉我奶头~嗯~啊~动态视频| 久久久午夜欧美精品| 一个人观看的视频www高清免费观看| 午夜福利成人在线免费观看| 日韩欧美一区二区三区在线观看| 亚洲在线自拍视频| 黄色视频,在线免费观看| 少妇高潮的动态图| 亚洲最大成人手机在线| 日本五十路高清| 欧美另类亚洲清纯唯美| 久久久久久久久大av| 成人欧美大片| 国产精品精品国产色婷婷| 精品福利观看| 在线免费十八禁| 亚洲精品日韩av片在线观看| 真实男女啪啪啪动态图| 舔av片在线| 亚洲精品一卡2卡三卡4卡5卡| 久久九九热精品免费| 国产av在哪里看| 老师上课跳d突然被开到最大视频| 一级毛片久久久久久久久女| 1000部很黄的大片| 色尼玛亚洲综合影院| 我要看日韩黄色一级片| 身体一侧抽搐| 亚洲精品乱码久久久v下载方式| 中国国产av一级| 身体一侧抽搐| 别揉我奶头 嗯啊视频| 久久综合国产亚洲精品| 99久久久亚洲精品蜜臀av| 国产精品永久免费网站| 亚洲av一区综合| 午夜福利高清视频| 中文在线观看免费www的网站| 一夜夜www| 97碰自拍视频| 淫妇啪啪啪对白视频| 99久久无色码亚洲精品果冻| 自拍偷自拍亚洲精品老妇| 大又大粗又爽又黄少妇毛片口| 午夜福利在线观看吧| 91av网一区二区|