欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務建站與企業(yè)官網運營的一線實戰(zhàn)洞察。

超聲乳腺病灶分割數據集實戰(zhàn):從預處理到U-Net訓練與避坑

超聲乳腺病灶分割數據集實戰(zhàn):從預處理到U-Net訓練與避坑 簡介一套面向醫(yī)學影像分割任務的數據集聚焦超聲乳腺良性區(qū)域分割適用于計算機視覺與醫(yī)學圖像處理方向的學習者、研究者既可作為入門分割模型訓練與驗證的基礎數據也適合用來做算法對比與效果評估。壓縮包內共877個文件其中875個PNG格式文件圖像與掩碼、1個txt類別文件和1個Python可視化腳本整體大小約88.01MB目前已有958人下載學習。數據包含訓練集與測試集訓練集約300張圖像及對應mask測試集約130張按images與masks目錄組織可直接接入常見分割流程數據采用背景、良性乳腺兩類標注classes文件提供類別說明??梢暬_本可隨機抽取一張原始圖、GT圖及兩者疊加效果并保存便于快速直觀檢查標注質量與模型輸出。整體來看數據集與可視化腳本共同為乳腺超聲圖像分割相關的算法復現、論文實驗或課程設計提供了扎實的數據與工具支撐適合入門至中高級實踐者使用。1. 醫(yī)學圖像分割數據集一份超聲乳腺良性病灶數據到底能幫你做什么拿到一份帶訓練集、測試集和標簽的超聲乳腺良性圖像分割數據集第一件事不是急著跑模型而是先搞清楚它和自然圖像分割數據有什么不同。B超圖像噪聲大、邊界模糊良性病灶與周圍組織灰度接近分割任務比純檢測更依賴像素級標注質量。接下來我會從數據集結構、標簽格式、訓練/測試劃分講到最常用的 U-Net 落地腳本再列出真實使用中踩過的五個坑最后給一套可以復現的驗證套路。這套流程適合剛入手醫(yī)學圖像分割的研究生、算法工程師也適合想拿公開數據集驗證預處理和訓練管線的從業(yè)者。2. 超聲乳腺良性分割數據集的目錄與標簽拿到手先做三件事拿到一個醫(yī)學圖像分割數據集尤其是超聲影像數據直接開訓是翻車高發(fā)區(qū)。超聲圖像不像CT或MRI那樣有標準DICOM頭信息公開數據集的目錄命名、掩碼格式甚至像素值定義都可能不同。我的習慣是先做三件事確認訓練集和測試集是否完全分開確認標簽是掩碼還是多邊形坐標確認圖像和標簽能否一一對應。這三件事決定了后面的預處理代碼怎么寫也決定了評測分數是否可信。2.1 訓練集和測試集為什么必須分開數據劃分的底層邏輯分割模型的目標是學會“看”病灶區(qū)域而不是“認出”某張?zhí)囟▓D片。如果訓練集和測試集存在重疊模型在測試時直接匹配文件名或像素模板Dice會虛高到不真實。對于超聲乳腺數據集這個問題尤其隱蔽同一患者的圖像可能連文件名都不同但病灶區(qū)域來自同一次掃描背景紋理幾乎一樣。按文件名查重只是第一道防線按患者ID查重才是關鍵。如果數據集沒有提供患者ID也可以通過文件名中的case編號或病人編號推斷。下面這段腳本會掃描訓練集和測試集的圖像文件名輸出重合列表from pathlib import Path train_img_dir Path(data/train/images) test_img_dir Path(data/test/images) train_names {p.name for p in train_img_dir.glob(*.png)} test_names {p.name for p in test_img_dir.glob(*.png)} overlap train_names test_names print(train count:, len(train_names)) print(test count:, len(test_names)) print(overlap count:, len(overlap)) for name in sorted(overlap)[:10]: print(overlap:, name)這段代碼用set求交集train_names和test_names分別是兩個目錄下的文件集合。輸出重合數量后即使沒有重合也要再按文件名前綴分組檢查比如文件名是case_001_frame_01.png那么所有case_001開頭的圖像應該只出現在一個集合里。如果同一病例的幀散落在兩邊就要手動調整劃分或者改用后面第5章會講的按患者分折交叉驗證。再補一段按患者ID檢查的代碼import re def patient_id(filename): match re.match(r(case[_-]?\d), filename) return match.group(1) if match else filename train_patients {patient_id(name) for name in train_names} test_patients {patient_id(name) for name in test_names} print(patients in both sets:, train_patients test_patients)這里用正則case[_-]?\d提取病例號。實際命名可能不是這個模式需要先print幾個文件名看一眼再寫正則。注意如果提取不出來寧可手動生成一個patient_id映射表也不要跳過這一步。對醫(yī)學圖像分割數據集而言按患者劃分比按圖像劃分更能反映模型在真實新病人上的表現。2.2 標簽格式識別掩碼是 PNG、JSON 還是 NIfTI決定預處理怎么寫標題里的“標簽”兩個字看著簡單落地時差異很大。超聲乳腺分割數據集常見三種標簽格式二值PNG掩碼、JSON多邊形坐標、NIfTI體數據。PNG掩碼可以直接用OpenCV/PIL讀取JSON需要把邊界點填充成掩碼NIfTI需要處理放射學坐標方向。拿到數據集后先用一段腳本統(tǒng)計標簽目錄的擴展名避免用錯解析器。from pathlib import Path from collections import Counter label_dir Path(data/train/labels) ext_counter Counter(p.suffix.lower() for p in label_dir.iterdir() if p.is_file()) print(ext_counter) for p in sorted(label_dir.glob(*))[:5]: print(p.name)這段腳本用Counter統(tǒng)計標簽目錄里所有文件后綴能立刻看出是.png還是.npy還是.nii.gz。注意.nii.gz的實際文件名后綴是.gz如果直接統(tǒng)計.suffix會得到.gz所以最好用p.name.endswith((.nii.gz,))或先用.with_suffix()再判斷。打印前5個文件名稱是為了確認命名規(guī)律給后面的文件名對齊做準備。如果標簽是PNG下一步檢查掩碼的像素值。很多數據集的背景是0前景是255但也有用1表示前景的。訓練時如果直接把255當成類別索引會把一個前景像素拆成兩個類別。讀掩碼后先打印唯一值import cv2 import numpy as np mask cv2.imread(data/train/labels/case_001.png, cv2.IMREAD_GRAYSCALE) print(mask shape:, mask.shape) print(unique values:, np.unique(mask))這里用cv2.imread的IMREAD_GRAYSCALE強制按灰度讀避免三通道干擾。如果輸出只有[0 255]訓練時要除255再當成背景/前景如果輸出是[0 1]直接轉long類型即可。如果還有中間值如128說明掩碼可能帶邊界標注或類別權重要回到數據集說明確認。超聲乳腺良性分割一般只需要背景和病灶兩類出現128時要小心處理。如果標簽是JSON常見結構是{filename: ..., regions: [{shape_attributes: {points: [...]}}]}。這種情況不能直接送進模型要先做一次離線轉換把多邊形填充成掩碼import json import cv2 import numpy as np with open(annotation.json) as f: ann json.load(f) mask np.zeros((height, width), dtypenp.uint8) for region in ann.get(regions, []): points region[shape_attributes][points] pts np.array(points, dtypenp.int32).reshape(-1, 1, 2) cv2.fillPoly(mask, [pts], 255)這段代碼用cv2.fillPoly把多邊形頂點填充成白色掩碼。height和width必須與原始B超圖像一致通??梢愿鶕D像尺寸獲取。轉換后的掩碼要和原始圖像放在同一個目錄層級方便Dataset類讀取。2.3 目錄組織檢查清單用一段腳本驗證文件名、尺寸和類別在寫訓練腳本前我會先用一個檢查腳本把所有潛在問題都暴露出來。你需要確認四點圖像和標簽文件一一對應、圖像和標簽尺寸一致、掩碼類別只有前景和背景、訓練集和測試集沒有文件重合。下面這段腳本會遍歷圖像目錄對每張圖找到同名標簽并檢查 shapefrom pathlib import Path import cv2 import numpy as np img_dir Path(data/train/images) mask_dir Path(data/train/labels) img_files sorted(img_dir.glob(*.png)) mask_files sorted(mask_dir.glob(*.png)) print(images:, len(img_files), masks:, len(mask_files)) for img_path in img_files: mask_path mask_dir / img_path.name if not mask_path.exists(): print(missing mask:, img_path.name) continue img cv2.imread(str(img_path), cv2.IMREAD_GRAYSCALE) mask cv2.imread(str(mask_path), cv2.IMREAD_GRAYSCALE) if img.shape ! mask.shape: print(shape mismatch:, img_path.name, img.shape, mask.shape)這組代碼用同名配對方式檢查img_files按字典序排序后再通過mask_dir / img_path.name構造掩碼路徑。這樣不會因為排序方式不同出現錯位。如果打印出missing mask或shape mismatch需要先用離線腳本修復數據而不是在訓練時靠報錯去猜。檢查結果可以用下面這張表記錄檢查項期望值失敗動作圖像數量與掩碼數量完全一致補齊缺失文件或重命名圖像和掩碼尺寸每個樣本 pair 相等先統(tǒng)一裁剪/縮放再入 train掩碼唯一值0 和 255 或 0 和 1訓練前歸一化到類別索引訓練/測試文件交集無按患者ID重新劃分這張表是我在實際處理B超數據集時的檢查模板。超聲乳腺圖像四周通常有大片黑色背景如果發(fā)現圖像尺寸不統(tǒng)一不要盲目resize先用固定比例中心裁剪去掉黑邊再用cv2.resize統(tǒng)一。掩碼尺寸不一樣時更危險說明標注和原圖可能不是從同一個預處理流程出來的需要回到原始數據確認。3. 用這份數據集跑通 U-Net預處理、訓練腳本與參數選擇把目錄和標簽檢查做完就可以進入正題了。醫(yī)學圖像分割數據集最常見的落地路徑是用 U-Net 結構訓練自己的數據集。這里我會給一個最小可用流程灰度圖預處理、圖像與標簽對齊、訓練循環(huán)、曲線解讀。超聲乳腺良性病灶本身邊界偏模糊模型不需要特別復雜先跑通基線比換大模型更重要。3.1 從 B 超圖像到模型輸入灰度圖歸一化與裁剪超聲圖像通常不是標準照片而是灰度強度圖。直接套用 ImageNet 的三通道均值和標準差沒有意義常見做法是對整張圖做最大最小值歸一化或者除以255。更穩(wěn)的做法是先統(tǒng)計數據集的灰度分布把均值附近的范圍映射到0-1而不是讓個別高亮偽影主導整個輸入。另一個重要的預處理是裁剪。B超圖像四周經常有設備信息、刻度尺、純黑邊框這些區(qū)域不參與診斷卻會讓模型在前期把注意力放在背景結構上。我一般用閾值法先找到超聲扇形區(qū)域再做歸一化和縮放。下面這段函數展示了一個可復用的預處理def preprocess_image(image_path, target_size(256, 256)): img cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img img.astype(np.float32) # 去掉四周黑色背景 non_bg img 5 coords np.argwhere(non_bg) y0, x0 coords.min(axis0) y1, x1 coords.max(axis0) 1 img img[y0:y1, x0:x1] # 歸一化到 0~1 img (img - img.min()) / (img.max() - img.min() 1e-6) img cv2.resize(img, target_size, interpolationcv2.INTER_CUBIC) return imgnon_bg img 5的5是灰度閾值用來區(qū)分超聲回聲區(qū)和純黑背景。如果圖像整體很暗可以降到2如果包含強噪聲點可以提到10。np.argwhere得到所有非背景像素坐標取最小和最大值得到裁剪框。歸一化時用img.max() - img.min()做分母加1e-6防止全黑圖除零。最后 resize 到256x256這是一個速度和精度平衡的尺寸如果顯存夠大用512x512能讓邊界更清楚。標簽掩碼要執(zhí)行同樣的裁剪和resize但插值方法必須改成最近鄰否則會引入不屬于任何一類的中間灰度值def preprocess_mask(mask_path, target_size(256, 256)): mask cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE) # 使用同一個裁剪框這里簡化為直接 resize mask cv2.resize(mask, target_size, interpolationcv2.INTER_NEAREST) mask (mask 127).astype(np.int64) return mask注意這里的裁剪框要和圖像預處理完全一致。實際代碼里我通常把裁剪坐標從preprocess_image返回再傳給preprocess_mask避免各自算一遍導致錯位。3.2 標簽讀取與數據對齊防止圖像和掩碼錯位的檢查點很多剛開始用醫(yī)學圖像分割數據集的人會在 Dataset 類里用os.listdir分別讀圖像和掩碼再按下標訪問。這是最容易錯位的寫法因為兩個目錄的排序結果可能不一樣。更穩(wěn)的做法是只遍歷圖像目錄然后用圖像的文件名拼接掩碼路徑。下面是一個標準 PyTorch Dataset 寫法from torch.utils.data import Dataset from pathlib import Path import cv2 import torch class UltrasoundDataset(Dataset): def __init__(self, image_dir, mask_dir, target_size(256, 256)): self.image_paths sorted(Path(image_dir).glob(*.png)) self.mask_dir Path(mask_dir) self.target_size target_size for p in self.image_paths: assert (self.mask_dir / p.name).exists(), fmissing {p.name} def __len__(self): return len(self.image_paths) def __getitem__(self, idx): image_path self.image_paths[idx] mask_path self.mask_dir / image_path.name image preprocess_image(str(image_path), self.target_size) mask preprocess_mask(str(mask_path), self.target_size) image_tensor torch.from_numpy(image).unsqueeze(0).float() mask_tensor torch.from_numpy(mask).long() return image_tensor, mask_tensorself.image_paths使用sorted(Path.glob(*.png))掩碼路徑直接用同名拼接。assert在初始化時快速失敗如果缺掩碼會立刻報錯而不是訓練到中間才發(fā)現。torch.from_numpy(image).unsqueeze(0)給灰度圖補上通道維得到(1, H, W)。掩碼轉成long是 PyTorch 交叉熵損失要求的整數標簽類型。3.3 一個最小可運行的 U-Net 訓練腳本PyTorch模型結構建議先用經典 U-Net編碼器三層、解碼器三層通道數從32開始。下面這段訓練循環(huán)聚焦在數據加載、損失函數和優(yōu)化器配置上import torch from torch.utils.data import DataLoader from unet_model import UNet device torch.device(cuda if torch.cuda.is_available() else cpu) train_dataset UltrasoundDataset(data/train/images, data/train/labels) train_loader DataLoader(train_dataset, batch_size8, shuffleTrue, num_workers2) model UNet(in_channels1, out_channels2).to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-4) loss_fn torch.nn.CrossEntropyLoss() for epoch in range(50): model.train() running_loss 0.0 for images, masks in train_loader: images, masks images.to(device), masks.to(device) output model(images) loss loss_fn(output, masks) optimizer.zero_grad() loss.backward() optimizer.step() running_loss loss.item() avg_loss running_loss / len(train_loader) print(fepoch {epoch 1:02d} loss {avg_loss:.4f})UNet(in_channels1, out_channels2)里in_channels1對應灰度超聲圖out_channels2對應背景和病灶兩個類別。CrossEntropyLoss的輸出要求是(N, C, H, W)掩碼是(N, H, W)正好匹配。batch_size8是在256x256輸入、顯存8GB左右的經驗值如果出現OOM先降到4或2。lr1e-4對醫(yī)學圖像小數據集比默認的1e-3更穩(wěn)避免剛開始幾步就把分割權重帶偏。如果掩碼只有0和255需要在preprocess_mask里做(mask 127)再轉LongTensor如果已經是0和1也要確認沒有浮點噪聲。類別索引從0開始CrossEntropyLoss會自動忽略索引為負的值所以不要給掩碼加背景掩蔽以滿足形狀要求。注意unet_model模塊可以用你自己實現的 U-Net 替換關鍵是輸入通道為1、輸出通道為2且輸出尺寸與輸入一致。3.4 訓練曲線解讀Dice 不漲、Loss 震蕩時先調什么訓練跑起來之后不能只看loss。醫(yī)學圖像分割更常用Dice系數來衡量因為良性和背景之間像素極度不平衡時交叉熵loss可能一直很低但Dice也不漲。下面這段代碼在驗證集上計算Dicedef dice_score(pred, target): pred (pred 0).float() # 預測屬于病灶類的概率最大 intersection (pred * target).sum() return (2.0 * intersection 1e-6) / (pred.sum() target.sum() 1e-6)pred是模型輸出的類別索引這里把預測病灶像素和二值掩碼逐像素相乘求和。加1e-6是為了處理兩張全空掩碼時除零的問題。如果訓練loss下降但Dice在0.1左右徘徊優(yōu)先檢查兩個方向一是數據增強是否過強比如隨機旋轉90度把超聲扇形方向打亂二是掩碼是否在resize時被最近鄰插值破壞尤其是病灶區(qū)域小的時候。如果loss來回震蕩把學習率從1e-4降到3e-5同時把batch size調小通常能讓曲線穩(wěn)定下來。還有一種常見情況是驗證loss下降但Dice不降這時需要看模型是否把所有像素都預測為背景。打印預測圖的唯一值如果只有0沒有1說明類別不平衡已經把訓練推到了平凡解。可以改用Dice Loss或Focal Loss先把背景類權重降低。4. 數據集使用避坑五個讓分割模型翻車的真實場景醫(yī)學圖像分割數據集的坑不在網絡結構而在數據管道。很多問題看起來像玄學最后定位都是讀取、劃分或預處理不一致。下面五條按“現象、原因、解決”展開方便照著排查。4.1 灰度圖像被當成三通道輸入U-Net 輸入通道數設成3現象模型能跑通loss也在下降但驗證集上預測結果基本是全黑或全圖。 原因cv2.imread默認會按三通道讀圖代碼又沒顯式指定IMREAD_GRAYSCALE于是灰度B超圖變成三通道的重復矩陣。模型第一層in_channels設成3確實能訓練但學到的三通道信息完全冗余邊界特征被削弱。 解決統(tǒng)一在數據讀取時加cv2.IMREAD_GRAYSCALE并打印img.shape確認輸出是(H, W)而不是(H, W, 3)。模型第一層in_channels1如果要用預訓練模型遷移也建議把權重在輸入層做均值折疊而不是簡單地把圖復制三通道。img cv2.imread(data/train/images/case_001.png) print(img.shape) # 如果是 (512, 512, 3)說明沒走灰度讀取這段檢查會立刻暴露問題?;叶菳超圖被讀成三通道后三個通道完全相同模型等于在重復特征上做卷積參數量和計算量都白白增加。4.2 掩碼前后景比例懸殊損失函數被背景主導現象訓練準確率很高但Dice只有0.2分割結果覆蓋了一整片灰度接近的區(qū)域。 原因良性病灶在超聲圖像里通常只占幾萬像素背景占了幾十萬像素。交叉熵損失會把絕大多數梯度花在背景上模型學到的就是把大塊暗區(qū)判為背景偶爾碰中一個病灶像素就能把準確率拉高。 解決訓練損失改成Dice Loss或Focal Loss。Dice Loss直接優(yōu)化區(qū)域重疊對類別不平衡更穩(wěn)定。如果數據集里病灶區(qū)域太小還可以在預處理階段按包含前景的裁剪框切patch讓每個訓練樣本里前景占比不低于某個閾值。def dice_loss(pred, target): pred torch.softmax(pred, dim1)[:, 1] smooth 1.0 intersection (pred * target).sum() return 1 - (2 * intersection smooth) / (pred.sum() target.sum() smooth)這個dice_loss直接取模型輸出中病灶類別的概率與二值掩碼計算重疊。smooth防止除零也避免訓練初期梯度過大。替換CrossEntropyLoss后模型會更關注少數類像素。4.3 訓練集和測試集來自同一病例指標虛高現象訓練時Dice到0.95測試時換一組數據就掉到0.5。 原因數據集劃分是按文件名隨機分的但同一患者的多個超聲幀出現在兩個集合里。因為同一患者的設備參數、探頭角度、病灶形態(tài)高度相似模型記住的是這個病人的背景紋理而不是通用病灶特征。 解決拿到數據先做患者級分組同一患者的所有圖像只能出現在訓練集或測試集不能跨集合。如果標題的數據集沒有提供患者ID也可以用文件名中的case編號提取。更穩(wěn)妥的做法是用第5章的按患者分折交叉驗證反復評估模型穩(wěn)定性。train_patients {patient_id(p.name) for p in train_names} test_patients {patient_id(p.name) for p in test_names} shared train_patients test_patients if shared: print(患者級泄露:, shared)這段代碼把2.1里的患者檢查邏輯明確放在訓練前執(zhí)行。出現共享患者時寧可減少訓練集規(guī)模也不能保留跨集合的病例。4.4 裁剪黑邊導致標簽坐標沒同步現象預測掩碼在圖像邊緣出現固定偏移評測時邊界區(qū)域出現一排假正或假負。 原因預處理函數對圖像先裁剪再resize但標簽掩碼在另一段代碼里直接resize沒有同步裁剪框。圖像縮放到目標尺寸時失去了一部分邊緣掩碼卻保留了完整尺寸兩者自然錯位。 解決圖像和掩碼必須共用同一個裁剪框。把preprocess_image里計算出的(y0, y1, x0, x1)返回給preprocess_mask掩碼先裁剪再resize。掩碼的resize插值統(tǒng)一用INTER_NEAREST配合代碼塊里的assert檢查尺寸一致。def crop_resize_pair(image, mask, threshold5): non_bg image threshold coords np.argwhere(non_bg) y0, x0 coords.min(axis0) y1, x1 coords.max(axis0) 1 image_crop cv2.resize(image[y0:y1, x0:x1], (256, 256), interpolationcv2.INTER_CUBIC) mask_crop cv2.resize(mask[y0:y1, x0:x1], (256, 256), interpolationcv2.INTER_NEAREST) return image_crop, mask_cropcrop_resize_pair把圖像和掩碼的裁剪框統(tǒng)一到同一個y0,x0,y1,x1掩碼用INTER_NEAREST不會產生新灰度值。這個函數應作為訓練管線的唯一入口避免兩處各寫一套。4.5 測試時沒有做與訓練時相同的預處理現象離線驗證Dice還行部署到新環(huán)境后指標明顯下降。 原因訓練腳本里的預處理寫在train.py測試腳本里重新寫了一份歸一化順序、裁剪閾值或resize尺寸有細微差別。超聲圖像的灰度范圍很敏感差一個閾值就可能讓病灶邊界改變。 解決把預處理函數抽成獨立模塊訓練和推理都從同一個模塊導入。然后在固定一張圖像上跑訓練管線和推理管線比較輸出數組是否完全一致。我習慣加一段單元測試比較同一個輸入在兩次調用后的numpy array是否相等。arr1 preprocess_image(data/train/images/case_001.png) arr2 preprocess_image(data/train/images/case_001.png) assert np.array_equal(arr1, arr2)這段測試只能驗證函數自身確定性更關鍵的是確認推理腳本沒有重新編寫一份“看起來差不多”的預處理。如果訓練和推理的灰度閾值、目標尺寸、插值方式不一致測試集上的微小偏差會在邊界像素上被放大。5. 在單獨一次劃分之外交叉驗證與分割指標的人工復核技巧5.1 用按患者分組的交叉驗證替代單次隨機劃分如果數據集包含訓練集和測試集直接用固定劃分訓練即可。但超聲乳腺數據規(guī)模通常不大單次劃分對隨機種子太敏感。我會在大致確認固定劃分之外額外做一次五折按患者交叉驗證用下面這段代碼生成折標簽from sklearn.model_selection import KFold import numpy as np patient_ids np.array(sorted({patient_id(p.name) for p in image_paths})) kf KFold(n_splits5, shuffleTrue, random_state42) for fold, (train_idx, val_idx) in enumerate(kf.split(patient_ids)): train_patients patient_ids[train_idx] val_patients patient_ids[val_idx] print(fold, len(train_patients), len(val_patients))KFold按患者ID列表分折而不是按圖像分折。這樣每一折的驗證集都來自模型沒見過的患者評估結果更接近真實新數據上的效果。random_state42固定隨機種子保證每次實驗可比較。5.2 把預測掩碼和原始 B 超圖像疊起來做人工抽檢Dice和IoU只是數值不能告訴你模型在哪個解剖位置犯錯。我會在每輪驗證后隨機抽5張測試圖像把預測掩碼和真實掩碼分別疊加在原始B超圖上轉成彩色對比圖保存。如果模型總把低回聲區(qū)域整片當成病灶數值上看不出來但可視化會非常明顯。overlay cv2.cvtColor(img_bgr, cv2.COLOR_GRAY2BGR) overlay[pred_mask 1] (0, 0, 255) # 紅為預測 overlay[true_mask 1] (0, 255, 0) # 綠為真實 cv2.imwrite(fcheck_fold{fold}.png, overlay)紅色表示預測為病灶、綠色表示真實標注紅綠重疊會變成黃??吹酱笃t色區(qū)域時說明模型把灰度相近的腺體組織誤判成了病灶需要回到訓練數據里檢查是否有類似的錯誤標注。這個人工抽檢習慣幫我校準了很多看似合理、實則結構不完整的模型。我自己的教訓是第一次跑這份數據時只看了Dice覺得0.87很不錯抽檢才發(fā)現模型把探頭陰影也劃進了病灶。后來把可視化抽檢加進訓練循環(huán)問題立刻暴露。希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
丁香五月,开心五月,成人婷婷| 五月天激情Av| 99激情在线| 色八戒操婷婷| 欧美日韩成卜| 久久九九综合| 色婷婷五月在线| 五月天色区| 五月婷婷综合激情| 综合激情伊人影视在线| 大香蕉婷婷丁香视频在线| 天天日P天天射P| 极品人妻VIDEOSSS人妻| 日日夜夜天天| 色情婷婷五月天| 久久婷婷五月综合啪| 五月夜丁香| 久99久视频| 亚洲电影中文字幕| 亚洲久久天堂| 九九9久九9国产视频| 久久精彩视频| 99热精品在线观看| 色五月综合激情| 99精品视频网| 中文av网| 激情五月,婷婷五月,丁香五月| 五月色婷婷综合丁香精品无遮挡| 99热精品网| 九九精品网站| 日本三级日本三级99| 亚洲黄3级片网站欧美| 久久丁香综合香蕉| 婷婷五月在线影院| 黄色片久久| 激情五月综合网| 97碰啪啪| 超碰人人操在线| 色综合激情| 欧美va| 思思热闹这里只有精品| WWW.天天日| 久久婷婷五月综合伊人| 国产肥白大熟妇BBBB视频| www.zbzhongsen.com| 五月天伊人久久久久| 99热这里只有精品3| 久热中文字幕在线线观看| 亚洲丁香五月天在线视频| 欧美99热| 丁香五月综合高清在线| 91久久久久久久| 97丁香五月| 免费播放AV| 五月天大香蕉av| 狠狠CAO日日穞夜夜穞AV| 激情五月天网站| 婷婷五月天激情文学| 超碰人人干| 玖玖爱综合网| 激情综合无码| www.minyis.com【JT】实力收量可预付QQ2101460746 | 久色资源| 五月花婷婷| 色婷婷久久| 五月天色综合| 欧美操人| 五月丁香六月婷婷网| 淫视馆aV二区一区| 天天操夜夜操| 女人高潮内射99精品| 99色视频| 国产精品久久久爽爽爽麻豆色哟哟 | 久久五月丁香| 欧美精品999| 婷婷五月丁香超碰| 99热亚洲精品| 成人婷99最新| 色丁香五月| 亚洲视频99| www五月| 成人片在线播放| 五月天色色网站| 99在线精品观看99| 激情AV网| 九热视频在线伦| 日韩有码一区| 伊人色综合久久久| 久久99精品视频| 亚洲超碰在线| 婷婷基地成人五月天| 天天色天天色天天色天天色天天色天天色| 五月综合激情图片 | 婷婷丁香五月天色区| 五月丁香六月欧美综合| 97好吊操| 婷婷六月综合激情| 五月停停色色丁香| 婷婷五月婷婷| 最近免费中文字幕大全高清大全1 色狠狠色噜噜AV天堂五区 | 亚洲激情综合免费| 五月婷婷激情网| 五月天丁香成人社| 狠狠穞A片一區二區三區| 久热免费| 久热一区| 99热黄| 开心五月婷婷综合在线精品素人| 五月丁香好婷婷A片网| 日本综合久久| 人人添人人| 亚洲十月婷婷综合| 五月婷婷在线免费观看| 五月丁香婷婷基地| 国产毛片精品一区二区色欲黄A片| 人妻丰满精品一区二区A片| 大香蕉 婷婷| 婷婷五月综合丁香久久| 婷婷丁香五月91| 91色综合网| 婷婷大香蕉| 久热这里有精品视频| 久久婷婷五月综合色播| 婷婷久久色| 久久色五月| 99精品在线观看| 99热在线观看免费精品| 欧美婷婷| 欧美性爱丁香五月| 日本免费91| 超碰人人干| wWwCom夜操wwW| 狠狠肏综合网| 久久久久久性爱视频| 亚洲精品99| 日韩操人| 操B视频在线播放| 六月色 亚洲| 六月婷色| 激情图片亚洲| 色综合色综合网| 婷婷色导航| 粉嫩av懂色av蜜臀av熟妇| 狠狠色丁香| 99在线精品免费视频| 亚洲第一成人AV| 色99婷婷五月天| 91日本在线观看| 久久综合激情五月天| 内射丰满人妻| 丁香五月激情综合| 激情五月天婷婷| 五月激香蕉网| 99热天堂| 亚洲综合网激情小说| 丁香色综合| 超碰com| 日日夜夜天天| 91综合网| 99色精品视频| 久久婷婷五月综合啪| 超碰国产在线观看| 激情99| 久久97久久99久久综合欧美| 99九九视频精彩在线| 婷婷激情伍月网| www.俺去也com| 亚洲第一综合| 国产激情综合| 人人综合91网| 一区二区三区四区五区| 色五月五月婷婷| 色五月综合在线| 香蕉网婷婷| 九九干视频| 色婷五月婷婷| 久久丁香五月| 婷婷五月av| 色吧99| 婷婷在线精品| www一区二区三区| 亚洲综合成人网| 国产精品涩涩涩视频网站| AVV黄| 热99精品视频观看| 丁香五月婷婷五月| 亚洲中文字幕在线观看| 亚洲视频五区| 色色哒五月婷婷六月丁香| 五月天综合久久| 五月婷婷综合激情小说| 成人电影AV在线观看| 色五月av伊人| 伊人久久婷| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 婷婷激情欧美| www久久久| 五月婷性爱| 婷婷色中文字幕| 久久九九在线视频| 天天爽天天爽| 无码yw| 色99视| 人人草人人看| 第四色在线观看| 久久婷婷五月综合成人d啪| 五月丁香天堂网婷婷| 97超碰在线免费观看| 中字幕视频在线永久在线观看免费 | 激情五月天无码| www.91婷婷| 欧美色男人网站| 色综合区| 亚洲男女激情| 99热个人在线| 碰99在线| 99re熱| 人人干人人操人人摸| 婷婷五月在线视频| 99久久婷婷五月综合| www,婷婷五月天,com| 欧美色色色| 欧美三级视频下载| 风流少妇A片一区二区蜜桃| 99久久喉9| 91蜜桃婷婷狠狠久久综合9色| 狠狠干综合网| 天天射影院| 日韩性视频| 曰日爽日日操| 操人妻AV| 思思久久网| 婷婷激情六月| 亚洲成人影视在线| 天天 青草 制服丝袜 在线 | 99熟女视频| 日比视频91| 色五月婷婷自拍| 婷婷丁香五月六月激情| 免费黄色片子| 九九re精品视频在线观看| www.26uuu.com亚洲电影| 九九综合| 久久九九中文字幕| 亚洲免费婷婷| 91久久网站| caopeng超碰| 99热在线精品播放| 成人在线视频一区| 青青草原福利在线| 国产在线激情视频| 欧美群妇大交乱婬网| 久9免费视频| WWW色色色COM| 天天操夜夜肏| 国外亚洲成AV人片在线观看| 色五月婷婷天天干| 99在线精品免费视频| 任你搞在线观看视频| 天天综合永久| 五月激情天| 天天射综合网站| www.婷婷五月天.com| 婷婷色五月大香蕉在线| 色丁香在线视频| 日日操夜夜爽| 九九Av| 五月丁香婷婷深深爱| 免费在线观看av网站| 激情综合网,五月| 亚洲成人五月天| 久久色五月| 五月丁香777| 99ri网站在线观看| 婷婷六月天激情影院| 五月综合激情婷婷六月色窝| 成人做爰A片免费看网站找不到了| 五月激情小说| 91丨人妻丨国产丨丝袜| 色色色色色色色色综合网| 日本操B视频在线观看| 色99亚洲| 久久婷婷五月天| 超碰在线人人| 操碰99| 2017人人操| 99爱视频免费| 久久国产高潮白浆免费观看99| 俺去啦综合网| 五月婷婷久久网| 六月婷婷狠狠做| 99re6在线视频精品免费| 亚洲婷婷五月天综合| 九九99久久| 色射影院| 久久婷婷六月综合| 蜜臀丁香黄色婷婷五月天| 91人人爽狠狠狠| 婷婷丁香色性爱| 99热中文字幕久久| 色婷婷亚洲综合天堂| 狠婷婷五月| 丁香五月五月婷婷欧美大香蕉| AV变态另类一区二区| 综合激情深爱| 31色区视频免费看| www,天天干| 色综合99色| 婷婷五月天综合色| 婷婷五月精品| 五月丁香六月婷婷操操操| av超碰在线| 激情五月婷婷丁香综合网| 97操资源婷婷| 婷婷亚洲欧美丁香五月| 亚洲乱啪| 九九热精品| 欧洲精品爱爱| 翔田千里 50岁 无码| 激情亚洲婷婷| 91啪啪视频| 久9热| 亚洲热综合| 免费国产VA国产免费| 99精品在线观看| 九九家庭影院| 538在线精品| 99爱免费在线观看| 天天日中文| 五月天婷婷激情小说| 香蕉AV777XXX色综合一区| 人人射av| 超碰妻人人| 婷婷综合色播网| 99在线看片| 日韩色五月| 1234操逼网| 99视频| 停停五月色宗合| 婷婷成人AV| 成人av在线网站| 久久五月综合| 青草性爱视频| 七月婷婷色香综合网| 人人草人人爱手机视频看看| 久艹伊| 国产免费一区二区三区三州老师F1F1.CC | WWW.99热| 婷婷色色网| 6080av| 91在线资源| 熟女激情五月天 | 国产SUV精品一区二区6| 婷婷色欧美激情| 97碰 在线视频观看| 99热综合网| 色七七九九| 色99网站| 色情播放| 婷香狠狠爱五月| 2017狠狠干| 99er6免费视频热播| 99热官网| 丁香五月在线看| 婷婷色偷拍| 五月婷婷啪啪啪| 无码九九| 99欧美精品99日本精品| 色婷婷久久| 91婷婷色五月| 亚洲色婷婷| 久久婷婷五月激情网站| 午夜日日| 丝袜大香蕉| 久久五月天大美女| 亚洲成人影视在线| 可以看的av网站| 国产精品久久..4399| 婷婷爱五月| 久久机热这里只有精品| 99热精品99| 99性爱| 99精品爱| 五月天伊人综合| 开心激情婷婷| 丁香六月婷婷综合在线| 丁香五月婷婷亚洲综合精品| 青青久在线视频免费观看| 色久激情在线| 久热 91| 色99色| 色永久| 五月婷婷熟女| 思思re最新视频| 狠狠人人婷婷| 色欲婷婷夜夜| 久久久久久久久久久久久久久久久精典| 日韩另类在线观看| 日韩一66精品| 31色区视频免费看| 26uuu精品国产| 99久久成人| 色色婷婷婷丁香五月天| 天天色天天日| 六月婷婷九月丁香亚洲综合| 激情五婷网| 四川女人毛多水多A片| 婷婷五月天狠狠搞干| 成人在线不卡| 色婷青青| 91久久1118| 亚洲综合婷婷五月| 操人久久| 99精品偷自拍| 婷婷六月色| 亚洲激情AV| 风流少妇A片一区二区蜜桃| 亚洲视频99| 99久久66| 2021日韩无码| 色玖玖| 老司机日日夜夜青草| 久久久人妻人伦| 好叼操在线观看| 99操逼视频| 操嫩逼电影| a九九热www| 国产毛多水多女人A片| 99热免| 久久婷婷六月综合| 九月婷婷在线观看| 色五月大香蕉| 天天色粽合合合合合合合| 99er国产| 五月丁香色婷婷色| 99riav 亚洲| 婷婷激情六月综合| 婷婷激情5月| 任你擦免费视频| 搡BBBB搡BBB搡五十| 热99在线精品| 五月天夜夜爱夜夜操| 五月天丁香婷| 丁香伍月婷电影全集| 五月丁香婷婷综合久久| 久久aaaa片一区二区| 9色在线| 九热av| 久久HD| 五月天色不卡| 国产一级婬片毛片| 久久五月综合| 成人网页在线观看| 婷婷丁香社区| 噜噜噜狠狠色综| 99性爱精品| 婷婷久久综合| 激情五月天色婷婷综合| 成 人片 黄 色 大 片| WWW.99视频| 五月婷婷六月奇米网丁香| 色99视频| 婷婷五月综合色中文字幕| 成人精品视频99在线观看免费| 天天综合五月天| 丁香五月狠狠综合欧美| 久久曰曰| 超级碰碰碰91| 伊人五月婷| 成人在线视频网| 国语精品探花| 色色色在线播放| 亚洲天堂啪啪| Av在线不卡一区| 99国产精品久久久久久久久久久| 91色婷婷综合久久中文字幕二区| 天天摸天天做天天爱天天爽| 天天做天天爱天天爽在| 激情四射五月天| 9热在线视频| 成人国产欧美大片一区| 激情小说在线视频| 国产精品国产| 性色视频| 婷婷激情综合网| 婷婷五月花| 丁香久久激情俄| 99网| 日本狠狠色| 9月色婷婷| 99热这里只有在线| 色狠狠六月| 婷婷伊人中文字幕| 吊色AV男人的天堂| 五月天色欧美| 婷婷五月性感| 亚洲无AV在线中文字幕| 亭亭五月丁香五月天激情| 婷婷色五月天在线观看| 性色99| 婷婷五月天日本国产| 五月丁香婷婷色色| 久久Xx| 新男人天堂人妻| 亚洲在线免费成人| 色婷婷小说| 五月婷激情| AV操逼网| 天天爱天天秀天天做| 人妻VideOssS人妻高清| 亚洲、热| 操笔无码| 色婷婷丁香| 性一交一乱一交A片久| 伊人激情啪啪| 97精品自拍视频| 热久久99热欧美国产亚洲| 日日狠夜夜狠| 天天免费成年人视频| 色婷网| 五月天久久www| 精品综合爱| 综合激情四射一theav| 婷婷大香焦| 久久小说网| 五月激情在线| 丁香五月性| 五月天另类小说| 淫视馆AV在线| 99九九在线观看免费| 欧美精品18| 99热激情| 色婷狠狠| 亚洲激情五月天| 六月丁香色婷婷| 99在线国| 九九热这里只有精品一| 96性爱视频| 婷婷五月天日逼| 韩国情人在线电视剧免费观看高清版全集 | 久香草视频在线观看| 丁香婷婷五月天校园春色| 色五月网址| 色婷婷在线播放| 激情婷婷五月| 伊人久久大香网| 91久久综合亚洲鲁鲁五月天| 久热中文字幕| 91婷婷在线| 五月天久久婷婷| 婷婷午夜激情| 久大香蕉| 91成人视频| 97人人操在线| 九九久久精品| 99精品无码视频| 看黄的网站18禁| 思思热这里只有精品视频666| 成人婷99最新| 超碰在线人人| 久草天堂| 99热国产| 人人草成人视频| 欧美狠狠草| 亚洲精品视频在线| 这里只有精品在线视频精品| 日韩好吊操| 婷婷五月丁香影院| 亚洲狠狠婷婷综合久久久| 亚洲性爱99| 丁香五月日啪| 呦呦视频无码播放| 激情婷婷五月色| 激情美女五月天激情在线| 婷婷五月精品中文字幕| 五月天激情啪啪| 五月婷婷第四色| 丁香桃色网| 五月婷婷激情综合| 9久国产精品| 99精品自拍| 婷婷五月天色播| 91九色网| 日本视频久久| 五月色情精品| 色婷婷91| 五月婷婷三级| 婷婷五月天影院| 91九色视频| 激情六| 99成人网站| 欧美五月丁香在线观看| 欧美激情-区二区三区| 爱婷婷久久视频| 九九精品网| www.com五月天| 女人被男人吃奶到高潮| 五月婷婷99热| 成人av在线电影| 色色婷婷丁香| 婷婷五月天综合网| 婷婷丁香六月天| 成人VAV视频在线观看| www,超碰| 亚洲精久久| 亚洲久久视频| www激情网| 夜夜骑夜夜撸| 六月婷婷av| 五月婷婷综合视频| 色欧美一级| 九九Y精品热播| 天堂爱啪啪| 99热91| 婷婷 激情 五月| 五月婷婷深爱六月| 99热8| 五月香婷婷| 桃色成人网| 色色97丁香婷婷五月天| 9久热在线视频精品| 女性自慰系列第五页| 五月丁香五月丁香| 99国产小视频| 色噜噜狠狠色综合网| 思思热精品在线| 欧洲电影在线观看免费版英语版| 婷婷六月丁综合| 伊人狠狠丁香婷婷综合尤物| 亚洲性爱99| 五月丁香婷婷三级| 综合色色婷婷| 丁香五月激情婷婷| 狠狠色综合久久久久| 综合色网站| 人人爽在线视频综合网| 婷婷六月色播| Av九九| www.五月天| 青青操丝袜美腿| 日本一道久久| 亚洲 小说 欧美 激情 另类| 精品色色| 久久97| 4399精品一区二区| 色欲av伊人久久大香线蕉影院 | 26UUU欧美激情一区二区| 开心丁五月| 成人五月天视频播放| 天天操无码| AA片在线观看视频在线播放| 五月婷婷,六月婷婷| 99久热| 天天拍久久| www.99热在线| 亚洲欧美婷婷五月色综合| 亚洲AV久久久久久久久久久久久久久久| 超碰国产在线观看| 久久人妻爱爱| 五月亭亭直播| www色色com| www超碰com| 九九操操| 婷婷六月花| 97碰碰人人| 色日本颜射| 日本成人综合| 五月综合婷婷网| 六月婷婷八月丁香| www.91久久| 偷偷操九九| 五月香婷婷| 九九色视频| caop在线视频| 国产亚洲AV人片在线| 99热主页日本| 思思热热久久| 超碰亚洲天堂| 国内精品99| 丁香 亚洲 久久| 国产精品美女| 久久五月天婷婷| 中文字幕中文有码在线| 熟妇内谢69XXXXXA片| 啪啪夜久久| 激情婷婷五月天日本系列| 伊人啪啪网| 狠狠操狠狠插| 97狠狠碰| 5月丁香综合网| 久久激情天堂| 蜜臀久久99精品久久久久久酒店| 丁香婷婷91在线观看视频| 九九草热在线观看| 超碰成人电影| 嫩草视频| 亚州激情网站无码| 日本狠狠干| av一级棒av| 91久久1118| 艾小青av| 五月丁香五月综合欧美| 成人啪啪色婷婷久| 久久99热 这里有精品| 国产免费AV网站| 色婷婷yy久| 九九99在线观看视频| 五月天婷婷综合免费| 禁欲电影完整版在线播放| 久久伊人9| 六月丁香好婷婷| 婷婷五月天成人| 日韩在线一级| 丁香亚洲婷婷五月| 丁香九月婷婷| 日本久久9| 日日射天天射| 99久久久99久久91熟女| 99人人操| 热99这里只有精品视频| 桃色五月天| 大伊香蕉玖玖爱| 激情5月天天天| 成人电影一区| 欲色人妻| 五月丁香亚洲五月| 天天操天天干天天日| 亚洲 欧洲 国产 伦综合| 亚州视频九九99| 天天婷婷综合亚洲亚洲| 丁香五月开心亚洲| 丁香婷婷色五月| 欧美婷婷| 粉嫩av懂色av蜜臀av熟妇| 婷婷色五月在线视频| 久热一区| 五月天激情偷拍| 九九热中文| 丁香五月天亚洲综合| 国产日日夜夜操| 色色色成人网| 99视频九九热| 色五月人妻| 九九丁香社区欧美激情| 丁香五月综合色婷婷| 国产 亚洲 在线| 狠狠干狠狠操狠狠爱| 五月丁香啪啪啪啪| 99久久婷婷| 亚洲99综合| 久久久无码精品成人A片小说| 亚州成人综合在线| 五月天全国最大成人网| 五月大香蕉| 国产精品久久..4399| 激情五月婷婷综合| 精品国婬伦V无码久久久| 狠狠人妻久久久久久综合丁香| 久久精彩视频| 我爱大香蕉| 九热免费视频| 中文字幕成人影视| 性99网站| 久久中文网| 六月婷婷无码观看| 99九九精品| 国产欧美日韩性爱| 黄色AV日韩| 婷婷色五月激情强奸四射| 五月天色丁香| 色色97丁香婷婷五月天| 99精品无码网站| 天天舔天天爽| 婷婷狠狠香蕉综合| www.亚洲激情| 草草色情综合网| 狠狠人人| 精品人妻伦一二三区久久| 91婷婷丁香五月天免费视频网站| 九九五月天| 猫咪伊人久久| 激情四射婷婷| 久久9999| 开心五月天激情网| 婷婷丁香综合| 五月丁香五月婷婷| 激情国产综合| 五月婷婷亚洲色视频| 久久网址99热| 亚洲五月天婷婷| bukadeavzaixian| 亚洲操b| 五月婷无码| 五月婷婷亞洲中文| www。五月,com| 色狠狠综合| 婷婷精品综合| 成人亚洲精品久久久久| 五月丁香综合伦理片| 五月天婷婷久久| 成人婷婷桔色| 啪啪91| 色综合夜夜| 色婷婷综合网| 婷婷四月 成人 狠狠干| 色播综合| Av性爱网| 亚洲成av人影院| 六月伊人婷婷| 天海翼中文字幕高| 婷婷五月丁香激情色情| 在线理论片| 五月婷免费视频久久久| 日本丁香五月| 99在线观看视频免费| 五月天综合色| 色婷婷婷av| 天天天天干| 五月天激情网址| 亚洲妇女熟BBW| 丁香久久五月天视频在线观看| 日韩国产在线精品| 人人做人人看人人摸| 1024AV视频| 日日夜夜爽| 国产黄色av| 日本在线va| 色婷婷AⅤ| 狠狠干狠狠干| 99热亚洲| 天天干夜晚夜操| 九九99视频精品| 国产精品18久久久| 五月丁香六月婷婷手机无线| 男人的天堂在线婷婷| 亚洲最大视频| 4399在线观看免费高清黄色视频| AV在线中文| 狼人久草| 99欧美| 婷婷五月天视频在线观看| 亚洲AV成人一区二区在线观看| 激情五月综合网最新| 五月天丁香花婷婷| 婷婷性福五月天| 五月婷婷偷拍| 91Chinese在线| 精品国产va久久久久| 极品人妻XXXXOOOO| 五月婷婷六月基地| 婷婷五月激情五月丁香五月| 天堂在线9| 婷婷五月在线免费| 国产3p露脸普通话对白| 久久久久久综合五月婷婷| 久久一伦| 亚洲在线操| 天天肏屄夜夜爽| 操操操97| 亚洲天天| 久久综合无| 丁香五月手机在线| 人人爽人人爽人人爽人人爽| 亚洲天堂制| 六月婷婷啪啪| 开心六月婷| 99国产精品白浆在线观看免费| 这里只有精品免费视频在线观看| 91九色超碰正在播放| 国产91视频| 色色色视频| 丁香影院五月综合| 亚洲综合五月天| 婷婷综合在线| 久热婷婷综合| 天天做天天爱天天爽综合网| 91在线日| 国产小精品| 丁香综合网| 色五月偷偷| 婷婷伊人网| 五月天色婷婷基地| 99人人干人人| 色五月婷婷中文字幕| 夜夜撸天天日| 99a级片| 久久五月综合| 天天综合社区| 久久综合综合久久| 在线观看免费视频| 婷婷五月丁香综合激情| 狠狠久久婷五月| 亚洲国产无线乱码在线观看| 思思热久热| 中文字幕av在线| 亚洲欧美在线观看| 五月丁香性| 五月色综合| 婷婷六月激情综合| 91热视频色网站| 久久亚洲色导航| 五月婷视频在线观看| 99久在线观看| 插插插色综合网| 欧美日韩中国| 婷婷五月天电影网| 五月丁香在线婷婷美女| 狠狠色丁香婷婷久久综合| 色优久久| 99热精品在这里| 六月色婷婷色| 久久综合55| 97婷婷色| 欧美性爱5月天天天看| 色色色五月婷| 99精品成人无码A片观看金桔| 色婷婷五月天视频网站| 夜夜夜天天操| 五月天大香蕉婷| 五月天久久久| 综合五月激情| 成人 在线 日韩| 琪琪色网在线| 人妻综合网| 色婷婷a三区麻| 色婷婷A| 99精品偷自拍| 国产九九一区二区三区| 9999热精品在线免费播放| 四色五月视频| www.99热| 天天噜| 6月丁香婷婷激情| 高清成人综合| 亚洲蜜桃精久久久久久久久久久久 | 99在线热视频| 乱岳熟女50岁| 啪色综合| 5月婷婷激情6月| 久久久久亚洲AV成人无码电影| 在线中文AV| 超碰女人天堂| 婷婷五月丁香六月天亚洲综合| 97人妻碰碰碰久| 90色免费视频| 五月天激情四射| 久久久久久久合一狠狠做深爱| 天天情天天狠天天透| AV网在线观看| 亚洲人妻AV| 开心激情婷婷| 夜夜操夜夜姧| 久久停停超碰| 99精品久| www.狠狠| 五月天开心网| 99热这里精| 日本系列_4页_777FP| 96丁香婷婷九月蜜桃综合久久| 9l视频自拍9l九色成人| 婷婷五亚洲| 99精品在线观看| 大香蕉丁香| WWW.桔色成人.COM| 激情综合网五月| 天天日天天日天天搞| 久久婷婷青草五月天| 欧美人人超级碰| 日本熟妇乱妇熟色A片蜜桃| 97狠狠色| 久久亚洲激情五码| 日本在线免费中文com.| 99九九在线精品热动漫| 日本色99网站| 九九色精品| 91日日日| 天天操天爱综合| 九九久久精品| 色色婷婷色色| 蜜臀久久99精品久久久久久酒店| 久久99综合| 青草五月天| www.五月激情红色| 丁香六月婷婷激情综合| av无码电影| av操B网站| 国产美女无遮挡裸体毛片A片| 亚洲综合无码| 99性视频| 夜夜夜夜操| 五月婷婷六月丁香| 国产一区18| 97伦乱| 大香蕉av在线| 婷婷99狠狠躁天天| 丁香五月婷婷日本| 99热九九在线| 成人精品一区二区三区四区五区| 久久草中文日韩欧美| 亚洲影院婷婷色| 99ER热精品视频| 久久婷婷网站| 久久婷婷五月天蜜桃| 九九久久综合网站| 五月丁香六月婷婷,婷| 影音先锋一区| 亚洲Av成人在线观看| 9|人妻人人操| 无码人妻AV久久久一区二区三区| 99精品在线播放| 色爱99| 国产午夜精品久久久观看| 另类图片五月天婷婷| jiujiu热在线视频| 婷婷五月色综合| 激情性爱网站| 午夜AV网| 91无码色色| 99色色网| 玖玖精品视频| 91久久综合亚洲鲁鲁五月天| 色综合久久88色综合天天99| 夜夜爽天天日| 森林影视大全,最好看的2019年视频 | 思思久久99| 91seav| 婷婷五月激情中文字幕| 婷婷六月情| 热99re| 五五月五月| 99热 在线观看| 综合亚洲六月婷婷在线| 99日本在线| 婷婷丁香五月天影院| 激情性爱网站| 丁香婷婷综合影院| 婷婷的五月天另类视频| 婷婷成人基地| 人人操AV| 5月丁香啪啪啪| 婷婷丁香激情综合色情| 色噜噜狠噜噜视频| 可以看的AV网站| 俺也高清无码高清视频| 狠狠干伊人| 婷婷五月天com| 色五月av伊人| 成人羞羞啪啪 全 视频| 秋霞黄色一级久久| 色色色色色热| 丁香五月天激情| 丁香九月综合| 99热综合色图| av在线免费网站| 综合九九日本| 五月色婷丁香| 奇米色大香蕉| 999热在线观看视频| 五月婷婷视频| 成人在线观看国产| 九九热视频在线观看| 五月香婷婷| 97av在线视频| 99综合网| 三级三久久线久久99久目本WW| 色吧五月婷婷| 秋霞性爱AV| 91色综合| 99日本精品视频热| 国产67194| 久久婷婷视频| 色激情五月| 可以看的AV| 99热久| 五月丁香综合激情| 国产成人网站在线观看| 久久曰曰| 色五月大香蕉| 婷婷色综合| 蜜臀AV在线观看| 日本狠狠干| 91啪啪| 午夜69成人做爰视频| 丰满少妇乱A片无码| 天天干人人奸97| 91女人18毛片水多国产| 免费观看高清无码| 亚洲av午夜精品一区二区| 超碰人人操| 亚洲AV日韩无码| 69精品人人人人| 五月天激情站| 中文无码精品一区二区三区| 五月天婷婷导航| 日日插日日干| 开心五月婷婷婷美女| 五月综合视频| 天天干天天干天天| 97在线刺激| 丁香成人五月天| 激情www| 国产精品成人在线| 少妇2做爰HD韩国电影| 免费看欧美成人A片无码| 九九婷| 天堂网操| 九九精品少妇| 欧美激情中文字幕| 99精品久久久| 开心五月婷婷激情| 深爱丁香网| www。五月天。com| 色区域网站视频| 丁香婷婷视频| 操骚货在线| 丝袜激情网| 久久久久婷婷| 色色国产| 人妻丰满精品一区二区A片| 激情6月| 超碰在线播放免费观看| 久久激情天堂| 在线成人网址| 九九视频在线| 日本一级黄色电影| 久久色六月| 99人人看| 亚洲在线操| www.91.com处女在线直播| 色色色欧美色色| 婷婷久久色| 超碰操网| 青青青在线视频国产| 九九九干精品| 丁香五月婷婷Av| 五月婷婷综合网| 欧美丁香六月激情视频| 色五月婷婷五月天激情综合| 91久久精品无码一区二区三区| 五月丁香六月激情在线| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 婷婷丁香五月天操逼| 激情五月婷| 成人超碰AV| 五月丁香六月香综合激情| 女人被男人吃奶到高潮| 思思热精品在线视频| 国产欧美日韩综合精品一区二区| 9 1 A v久久久| 91九色精品女同系列| 嫩草综合网| 久久人妻久久| 大香蕉人妻| 人人插操| 久久久久婷 | 综合久久五月天| 色七色九九| 79色色色色| 亚洲精品视频在线播放| 少妇性按摩无码中文A片| 青青草Avb在线| 婷婷丁香人妻天久久| 色婷婷狠狠久久综合五月| 麻豆雪千夏| 天天日日夜夜| 99婷婷色| 婷婷综合五月| 26uuu91| 婷婷丁香亚洲色综合91| 亚洲色久| 97人人操人人操人人操人人| 欧美性爱五月天| 色婷婷a三区麻| 91九色中文字幕女在线观看| www.婷婷五月天| 99精品网址| 久久这里精彩免费在线观看| 六月婷婷亚洲| 99啪| 日本人人超碰| 色偷偷色婷婷| 色五月天天| 丁香五月婷婷基地| 欧美久热| 色婷婷色五月综合| 99色这里| 五月婷婷影| 亚洲激情网| 五月丁香婷婷激情爱爱| 色五月首页| 五月丁香狠狠| 五月丁香综合| 国产干逼片| 九九香蕉网| 五月天色裸体视频| 丁香五月性爱| 欧美日本国产| 狠狠色综合网| 99爱免费视频| 99精品在这里| 久久久久视剧HD| 秋霞电影一级黄| 国产精品人人妻人人爽| 深爱五月婷婷| 九九热99精品| 色婷婷久久综合久色| 亚洲精品大片| www.色婷婷| 激情 婷婷| 激情综合五月.....| 大香蕉婷婷五月| 日韩无码AV电影网站| 97久久久久| 玖玖资源站视频| 久久婷婷视频| 成人网站高清无码| 天天摸天天舔天天爽| 91日视频| 成人网在线观看视频| 7777激情基地| 五月丁香婷婷成人综合网| 精品人妻一区| 色月丁| 狠狠擼综合| 久久久香| 亚洲无码影片| 狠狠做六月爱婷婷综合aⅴ| 99热一区| 亚洲精品久久久久久久久久飞鱼| 五月天色色婷婷| 另类图片婷婷五月天| www激情| 欧美毛卡| 夜夜天天天天天干天天爽| 国产99久久久| 久久丁香婷婷色情综合| 激情婷婷五月女| 日本色久| aaa久久久| 五月天婷婷六月激情网| 天天草天天爽| 天天日天天肏天天奸| 99热精品在线观看| 五月丁香六月色| 97caop| 狠狠干狠狠色| 色噜噜狠噜噜视频| 日韩在线观看网址| 亚洲综合激情五月久久| 亚洲操B| 丁香五月天久久| 丁香五月天欧洲在线| 91se在线观看| 超碰免费人人肏| 久久五月天合网| 国产精品社区| 丁香六月天婷婷| 四虎婷婷五月天| 另类在线| av最新在线| 一级A片天天操夜夜操| 日日干日日| 五月婷婷色综图片| 99热这里只有精彩| 中文字幕丰满孑伦无码专区| 婷婷五月激情欧美|