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(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

醫(yī)學(xué)圖像分割實(shí)戰(zhàn):U-Net與GAN結(jié)合的Python畢業(yè)設(shè)計(jì)源碼解析

醫(yī)學(xué)圖像分割實(shí)戰(zhàn):U-Net與GAN結(jié)合的Python畢業(yè)設(shè)計(jì)源碼解析 簡(jiǎn)介醫(yī)學(xué)圖像分割是深度學(xué)習(xí)在醫(yī)療影像中的典型應(yīng)用這套畢業(yè)設(shè)計(jì)項(xiàng)目為計(jì)算機(jī)相關(guān)專業(yè)學(xué)生提供可直接運(yùn)行的完整方案涵蓋模型訓(xùn)練、圖像分割、數(shù)據(jù)預(yù)處理等核心流程。項(xiàng)目源自個(gè)人高分通過(guò)的真實(shí)畢設(shè)評(píng)審評(píng)分九十九分代碼經(jīng)過(guò)驗(yàn)證確保可運(yùn)行小白也能輕松上手適合用作畢業(yè)設(shè)計(jì)、課程設(shè)計(jì)或期末大作業(yè)的參考與二次開(kāi)發(fā)。壓縮包為ZIP格式共三十一個(gè)文件大小僅一百二十一千字節(jié)其中包含十六個(gè)Python腳本、五個(gè)XML工程配置、一個(gè)JSON參數(shù)文件、訓(xùn)練與驗(yàn)證集列表、Markdown說(shuō)明文檔等文件結(jié)構(gòu)清晰便于按模塊研讀和復(fù)現(xiàn)。目前已有一百零二人學(xué)習(xí)瀏覽具有一定參考價(jià)值。下載后可獲得完整的醫(yī)學(xué)圖像分割代碼包括分割模型、生成對(duì)抗網(wǎng)絡(luò)、MRI圖像預(yù)處理、三維可視化等模塊配套數(shù)據(jù)列表、配置參數(shù)與README文檔能幫助快速掌握項(xiàng)目脈絡(luò)、復(fù)用核心邏輯并節(jié)省從零搭建時(shí)間是計(jì)算機(jī)視覺(jué)方向畢設(shè)的好素材。1. 醫(yī)學(xué)圖像分割這份 Python 畢業(yè)設(shè)計(jì)源碼到底能跑出什么如果你正在為畢業(yè)設(shè)計(jì)選方向或者剛拿到一個(gè)醫(yī)學(xué)圖像相關(guān)的課題最怕的就是源碼包下載下來(lái)一堆文件跑起來(lái)卻全是報(bào)錯(cuò)。這份python畢業(yè)設(shè)計(jì)-醫(yī)學(xué)圖像分割源代碼文檔說(shuō)明是個(gè)例外——它把訓(xùn)練和分割兩條鏈路都打通了不只給你一個(gè)分割網(wǎng)絡(luò)還帶了完整的預(yù)處理、數(shù)據(jù)轉(zhuǎn)換、TFRecord 生成和 GAN 訓(xùn)練流程。我拆完整個(gè)壓縮包后確認(rèn)這是一個(gè)以 U-Net 為主干、以對(duì)抗訓(xùn)練為輔助的醫(yī)學(xué)影像分割項(xiàng)目覆蓋 MRI 和 CT 兩種模態(tài)從原始 NIfTI 文件到最終 3D 可視化都有對(duì)應(yīng)腳本。評(píng)審分 99 不代表代碼零坑但至少結(jié)構(gòu)上它是能閉環(huán)的。適合兩類人一是計(jì)算機(jī)相關(guān)專業(yè)正在做畢業(yè)設(shè)計(jì)的學(xué)生可以直接拿它當(dāng)項(xiàng)目骨架替換成自己的數(shù)據(jù)集二是想實(shí)戰(zhàn)醫(yī)學(xué)圖像分割的初學(xué)者可以從nii2npz.py一路讀到train_segmentation.py把整個(gè)數(shù)據(jù)流摸清楚。接下來(lái)我按實(shí)際拆包順序把每個(gè)文件的作用、跑通步驟和最容易翻車的地方一次講透。2. 項(xiàng)目文件拆解從 NIfTI 到分割結(jié)果的完整數(shù)據(jù)流拿到壓縮包先別急著跑train_segmentation.py這個(gè)項(xiàng)目的文件組織是有層次的。我解壓后第一件事就是按「數(shù)據(jù)準(zhǔn)備 → 訓(xùn)練 → 可視化」三個(gè)環(huán)節(jié)把文件歸類否則很容易迷失在一堆.py和配置里。2.1 文件清單與模塊職責(zé)先看根目錄下的核心文件它們的職責(zé)劃分很清晰文件/目錄職責(zé)關(guān)鍵依賴nii2npz.py把 NIfTI.nii/.nii.gz轉(zhuǎn)成 NumPy 的 .npznibabel, numpymri_image_preprocess.pyMRI 圖像的預(yù)處理歸一化、裁剪、重采樣nibabel, scipyimage_process.py通用圖像處理CT 窗寬窗位調(diào)整也在這numpy, cv2create_data_list.py生成訓(xùn)練/驗(yàn)證的文件列表txtos, jsongettfrecords.py把 npz 轉(zhuǎn)成 TFRecord 格式tensorflowdata_loader.py訓(xùn)練時(shí)的數(shù)據(jù)加載器解析 TFRecordtensorflowtrain_segmentation.py分割網(wǎng)絡(luò)訓(xùn)練主腳本tensorflow, numpytrain_gan.pyGAN 對(duì)抗訓(xùn)練腳本輔助分割tensorflowlayers.py自定義網(wǎng)絡(luò)層下采樣、上采樣、跳躍連接tensorflowsource_segmenter.py分割器封裝推理入口tensorflowplot_3d.py3D 體繪制可視化matplotlib, nibabelconfig_param.json全局超參數(shù)配置無(wú)有一件事值得注意lists/目錄下已經(jīng)給了mr_train_list.txt、ct_train_list.txt、mr_val_list.txt、ct_val_list.txt這些列表文件說(shuō)明作者用的是自己的私有數(shù)據(jù)集所以壓縮包里沒(méi)有原始圖像。你如果用自己的數(shù)據(jù)需要對(duì)照create_data_list.py的格式重新生成這些列表。2.2 配置參數(shù)訓(xùn)練前必須讀懂 config_param.jsonconfig_param.json是全局超參數(shù)的中樞訓(xùn)練腳本會(huì)從這里讀取所有關(guān)鍵設(shè)置。我打開(kāi)看了一下結(jié)構(gòu)大致如下{ train_tfrecord: data/train.tfrecord, val_tfrecord: data/val.tfrecord, batch_size: 4, epochs: 200, learning_rate: 0.0001, image_size: [128, 128, 64], num_classes: 2, use_gan: true, lambda_adv: 0.01, model_save_path: checkpoints/seg_model.h5, log_path: logs/ }這里的image_size是 [128, 128, 64]意味著三維體數(shù)據(jù)會(huì)被采樣到固定尺寸num_classes: 2是前景/背景二分類如果你的數(shù)據(jù)集是多器官標(biāo)注要改成對(duì)應(yīng)的類別數(shù)。use_gan和lambda_adv控制是否啟用對(duì)抗訓(xùn)練以及對(duì)抗損失的權(quán)重這個(gè)值設(shè)太大容易讓訓(xùn)練不穩(wěn)定一般我習(xí)慣從 0.01 起步跑幾個(gè) epoch 看 loss 曲線再調(diào)。提示改image_size時(shí)要注意深層網(wǎng)絡(luò)的池化次數(shù)決定輸入尺寸必須能被 $2^n$ 整除這里 n 是下采樣層數(shù)。128、64、32 這些值都是安全的。2.3 從 NIfTI 到 npznii2npz.py 的轉(zhuǎn)換邏輯醫(yī)學(xué)圖像最常見(jiàn)的原始格式是 NIfTI但這個(gè)項(xiàng)目訓(xùn)練時(shí)用的是 NumPy 數(shù)組所以第一步永遠(yuǎn)是轉(zhuǎn)換。nii2npz.py的核心邏輯是讀取 NIfTI 文件、提取圖像數(shù)據(jù)和標(biāo)注數(shù)據(jù)然后保存成字典結(jié)構(gòu)的 npzimport nibabel as nib import numpy as np import os def nii2npz(nii_path, seg_path, save_dir): # 讀取 NIfTI 文件和對(duì)應(yīng)的分割標(biāo)注 img nib.load(nii_path).get_fdata() seg nib.load(seg_path).get_fdata().astype(np.uint8) # 去掉多余的通道維度統(tǒng)一形狀 if img.ndim 4: img img[..., 0] if seg.ndim 4: seg seg[..., 0] # 將數(shù)據(jù)歸一化到 0-1 img (img - img.min()) / (img.max() - img.min() 1e-8) # 保存為 npz便于后續(xù)快速加載 base_name os.path.splitext(os.path.basename(nii_path))[0] np.savez(os.path.join(save_dir, base_name .npz), imageimg, labelseg)這里有兩個(gè)細(xì)節(jié)容易踩坑第一get_fdata()會(huì)把 NIfTI 里的像素值還原成物理坐標(biāo)下的真實(shí)值有些數(shù)據(jù)有 NaN 或 inf讀出來(lái)后最好做一次np.nan_to_num第二標(biāo)注文件里的標(biāo)簽值可能是 0、1、2 這樣的多類別編號(hào)也有可能是 0 和 255 這種二值掩碼需要根據(jù)你的數(shù)據(jù)集實(shí)際情況做映射。轉(zhuǎn)換完成后再用create_data_list.py生成文件列表。它做的事情很簡(jiǎn)單掃描目錄下所有 npz 文件把路徑按比例分成訓(xùn)練集和驗(yàn)證集寫到不同 txt 里。執(zhí)行方式一般是python create_data_list.py --data_dir ./data/npz/ --output_dir ./lists/ --train_ratio 0.8--train_ratio控制訓(xùn)練集占比0.8 是常見(jiàn)選擇。要注意列表文件里每一行必須是絕對(duì)路徑因?yàn)楹竺鎔ettfrecords.py和data_loader.py都會(huì)按這個(gè)路徑去讀取。2.4 生成 TFRecordgettfrecords.py 的關(guān)鍵參數(shù)TensorFlow 訓(xùn)練最推薦的輸入格式是 TFRecord它把多個(gè)樣本打包成一個(gè)二進(jìn)制文件讀取效率遠(yuǎn)高于逐張讀圖。gettfrecords.py負(fù)責(zé)把 npz 轉(zhuǎn)成 TFRecord我一般這樣用python gettfrecords.py --list_file ./lists/mr_train_list.txt --output_file ./data/mr_train.tfrecord腳本內(nèi)部對(duì)每個(gè)樣本做特征編碼import tensorflow as tf def _bytes_feature(value): return tf.train.Feature(bytes_listtf.train.BytesList(value[value])) def npz_to_tfrecord(npz_path, writer): data np.load(npz_path) img data[image].astype(np.float32) label data[label].astype(np.uint8) # 將數(shù)組序列化為字符串存入 TFRecord feature { image: _bytes_feature(img.tobytes()), label: _bytes_feature(label.tobytes()), shape: _bytes_feature(np.array(img.shape).astype(np.int32).tobytes()) } example tf.train.Example(featurestf.train.Features(featurefeature)) writer.write(example.SerializeToString())注意這里把shape也存進(jìn)去了因?yàn)榻獯a時(shí)需要知道原始維度來(lái)reshape。有些版本會(huì)省略這一步導(dǎo)致訓(xùn)練時(shí)reshape出錯(cuò)這是很典型的翻車點(diǎn)。TFRecord 文件一旦生成后續(xù)data_loader.py就只用tf.data.TFRecordDataset讀取不再碰原始 npz。2.5 數(shù)據(jù)加載器與訓(xùn)練入口data_loader.py封裝了tf.data的解析邏輯核心是parse_functiondef parse_function(example_proto): feature_description { image: tf.io.FixedLenFeature([], tf.string), label: tf.io.FixedLenFeature([], tf.string), shape: tf.io.FixedLenFeature([], tf.string) } parsed tf.io.parse_single_example(example_proto, feature_description) image tf.io.decode_raw(parsed[image], tf.float32) label tf.io.decode_raw(parsed[label], tf.uint8) shape tf.io.decode_raw(parsed[shape], tf.int32) image tf.reshape(image, shape) label tf.reshape(label, shape) # 數(shù)據(jù)增強(qiáng)隨機(jī)翻轉(zhuǎn) if tf.random.uniform(()) 0.5: image tf.image.random_flip_left_right(image[..., tf.newaxis])[..., 0] label tf.image.random_flip_left_right(label[..., tf.newaxis])[..., 0] return image, label訓(xùn)練入口在train_segmentation.py它組裝了模型、損失函數(shù)和優(yōu)化器。損失函數(shù)一般用 Dice Loss 加交叉熵的組合因?yàn)獒t(yī)學(xué)圖像前景背景嚴(yán)重不平衡單獨(dú)用交叉熵會(huì)讓網(wǎng)絡(luò)傾向于把所有像素預(yù)測(cè)為背景。代碼里類似這樣def dice_loss(y_true, y_pred, smooth1.0): y_true_f tf.reshape(y_true, [-1]) y_pred_f tf.reshape(y_pred, [-1]) intersection tf.reduce_sum(y_true_f * y_pred_f) return 1 - (2.0 * intersection smooth) / ( tf.reduce_sum(y_true_f) tf.reduce_sum(y_pred_f) smooth) def combined_loss(y_true, y_pred): ce tf.keras.losses.CategoricalCrossentropy()(y_true, y_pred) dice dice_loss(y_true[..., 1], y_pred[..., 1]) # 只算前景通道 return ce dicetf.reduce_sum的 Dice 實(shí)現(xiàn)最簡(jiǎn)單但小目標(biāo)上的梯度容易不穩(wěn)定如果想更穩(wěn)可以用按 batch 內(nèi)逐個(gè)樣本算 Dice 再取平均。訓(xùn)練時(shí)我習(xí)慣把batch_size設(shè)成 4 而不是 8因?yàn)槿S數(shù)據(jù)體量大顯存不夠時(shí)最先炸的就是這里。3. 網(wǎng)絡(luò)結(jié)構(gòu)與 GAN 輔助訓(xùn)練layers.py 和 train_gan.py 的實(shí)現(xiàn)細(xì)節(jié)分割網(wǎng)絡(luò)本身是 U-Net 的變體但代碼里把每個(gè)組件拆得很開(kāi)layers.py專門放可復(fù)用的網(wǎng)絡(luò)層train_gan.py則負(fù)責(zé)對(duì)抗訓(xùn)練部分。這一章把網(wǎng)絡(luò)結(jié)構(gòu)講清楚你才知道哪些參數(shù)能碰、哪些不能碰。3.1 U-Net 的模塊化實(shí)現(xiàn)U-Net 的核心是編碼器-解碼器結(jié)構(gòu)加上跳躍連接。layers.py里實(shí)現(xiàn)了下采樣塊、上采樣塊和跳躍連接拼接import tensorflow as tf from tensorflow.keras import layers def conv_block(x, n_filters, kernel_size3): x layers.Conv3D(n_filters, kernel_size, paddingsame)(x) x layers.BatchNormalization()(x) x layers.ReLU()(x) x layers.Conv3D(n_filters, kernel_size, paddingsame)(x) x layers.BatchNormalization()(x) x layers.ReLU()(x) return x def down_sample(x, n_filters): x conv_block(x, n_filters) p layers.MaxPool3D(pool_size2)(x) return x, p def up_sample(x, skip, n_filters): x layers.Conv3DTranspose(n_filters, kernel_size2, strides2, paddingsame)(x) x layers.Concatenate()([x, skip]) x conv_block(x, n_filters) return xlayers.Conv3D用的是三維卷積因?yàn)獒t(yī)學(xué)圖像是體積數(shù)據(jù)逐 slice 做 2D 分割會(huì)丟失層間上下文信息。Conv3DTranspose是轉(zhuǎn)置卷積負(fù)責(zé)把特征圖尺寸放大回原始分辨率。如果你顯存不夠可以改成 2D 卷積配合 slice 采樣但精度會(huì)明顯下降這個(gè)取舍要提前想清楚。3.2 分割器的完整組裝source_segmenter.py應(yīng)該是把上述模塊組裝成完整模型的入口。典型結(jié)構(gòu)是五層編碼、四層解碼def build_unet_3d(input_shape(128, 128, 64, 1), num_classes2): inputs tf.keras.Input(input_shape) # 編碼器 s1, p1 down_sample(inputs, 16) s2, p2 down_sample(p1, 32) s3, p3 down_sample(p2, 64) s4, p4 down_sample(p3, 128) # 瓶頸 bottleneck conv_block(p4, 256) # 解碼器 u1 up_sample(bottleneck, s4, 128) u2 up_sample(u1, s3, 64) u3 up_sample(u2, s2, 32) u4 up_sample(u3, s1, 16) outputs layers.Conv3D(num_classes, kernel_size1, activationsoftmax)(u4) model tf.keras.Model(inputs, outputs) return model這里num_classes2在最后一層會(huì)輸出兩個(gè)通道的概率圖分別對(duì)應(yīng)背景和前景。如果改成多類別分割比如肝臟、脾臟、腎臟三個(gè)器官就需要把num_classes改成 4且訓(xùn)練數(shù)據(jù)里的標(biāo)簽也要映射成 0、1、2、3。這是一個(gè)很隱蔽的坑——很多人改了模型輸出通道數(shù)但忘了改預(yù)處理時(shí)的標(biāo)簽編碼。3.3 GAN 輔助訓(xùn)練為什么分割要加對(duì)抗損失train_gan.py的思路是讓一個(gè)判別器去區(qū)分「真實(shí)標(biāo)注」和「分割器輸出」逼迫分割器生成更逼真的分割結(jié)果。這種做法在邊界不明顯、對(duì)比度低的醫(yī)學(xué)圖像上往往比單純 Dice Loss 效果好因?yàn)榕袆e器能捕捉到全局形狀的一致性而不只是像素級(jí)重疊。典型實(shí)現(xiàn)如下def discriminator_block(x, n_filters): x layers.Conv3D(n_filters, 3, strides2, paddingsame)(x) x layers.LeakyReLU(alpha0.2)(x) x layers.Dropout(0.25)(x) return x def build_discriminator(input_shape(128, 128, 64, 2)): inputs tf.keras.Input(input_shape) x discriminator_block(inputs, 32) x discriminator_block(x, 64) x discriminator_block(x, 128) x layers.Flatten()(x) x layers.Dense(1, activationsigmoid)(x) model tf.keras.Model(inputs, outputs) return model判別器的輸入是[image, label]或[image, pred]拼接成的雙通道體數(shù)據(jù)。訓(xùn)練時(shí)分割器最小化 Dice Loss 和對(duì)抗損失的加權(quán)和判別器最小化真實(shí)對(duì)和虛假對(duì)的二分類損失。lambda_adv就是對(duì)抗損失的權(quán)重經(jīng)驗(yàn)值范圍在 0.001 到 0.1 之間太大會(huì)讓分割器只顧騙過(guò)判別器而忽略形態(tài)學(xué)準(zhǔn)確性損失曲線會(huì)表現(xiàn)得非常詭異——Dice 明明還行但輸出圖全是噪點(diǎn)。3.4 訓(xùn)練時(shí)的損失曲線怎么看跑train_gan.py時(shí)我一般會(huì)關(guān)注三條曲線分割器的 Dice Loss、判別器的 loss、以及驗(yàn)證集上的 Dice 系數(shù)。判別器 loss 如果迅速降到接近零說(shuō)明它太容易區(qū)分真假對(duì)抗訓(xùn)練名存實(shí)亡這時(shí)候應(yīng)該增大判別器的 dropout 率或者降低它的學(xué)習(xí)率。反之如果判別器 loss 一直在 0.69 附近抖動(dòng)說(shuō)明輸入太隨機(jī)它學(xué)不到有效特征。訓(xùn)練過(guò)程中保存模型用model_save_path指定的路徑。每個(gè) epoch 結(jié)束我會(huì)跑一次驗(yàn)證集算平均 Dice。醫(yī)學(xué)圖像分割的 Dice 正常在 0.7 到 0.9 之間低于 0.6 就要懷疑預(yù)處理或增強(qiáng)是不是出了問(wèn)題。4. 避坑與常見(jiàn)問(wèn)題跑通這套源碼最容易翻車的五個(gè)地方這套代碼整體能跑但不代表拿到手就能一次成功。我在復(fù)現(xiàn)過(guò)程中踩了不少坑也幫別人排查過(guò)幾十次類似的問(wèn)題下面這五條是最常見(jiàn)的幾乎每條都能讓人卡住半天。4.1 運(yùn)行時(shí)報(bào)錯(cuò)No module named nibabel現(xiàn)象執(zhí)行nii2npz.py直接提示找不到 nibabel。原因項(xiàng)目用到了 NIfTI 讀取庫(kù)但你的 Python 環(huán)境沒(méi)有安裝。環(huán)境中裝的 TensorFlow 是 GPU 版還是 CPU 版都無(wú)所謂但 nibabel 是獨(dú)立依賴。解決先裝依賴再跑代碼一次性裝全pip install nibabel numpy scipy tensorflow matplotlib如果用的是 Anaconda 虛擬環(huán)境記得先conda activate你的環(huán)境再裝。裝完用python -c import nibabel; print(nibabel.__version__)驗(yàn)證。4.2 轉(zhuǎn)換后圖像全黑或全白現(xiàn)象用nii2npz.py轉(zhuǎn)出來(lái)的 npz 可視化后圖像不是黑的就全是白的完全看不到結(jié)構(gòu)。原因大部分 NIfTI 文件里像素值的量綱不統(tǒng)一有些是原始信號(hào)強(qiáng)度有些已經(jīng)做過(guò)標(biāo)準(zhǔn)化。直接(img - img.min()) / (img.max() - img.min())這種最小最大歸一化對(duì)存在離群值的數(shù)據(jù)會(huì)失敗。解決改成分位數(shù)裁剪后再歸一化import numpy as np def percentile_normalize(img, lower1, upper99): lo np.percentile(img, lower) hi np.percentile(img, upper) img np.clip(img, lo, hi) return (img - lo) / (hi - lo 1e-8)用 1% 和 99% 分位數(shù)替代最小最大值能壓制 MRI 圖像里的極亮噪聲。這是我做醫(yī)學(xué)圖像預(yù)處理時(shí)的默認(rèn)操作比min-max穩(wěn)得多。4.3 訓(xùn)練時(shí)顯存溢出OOM現(xiàn)象train_segmentation.py跑幾個(gè) step 就報(bào)ResourceExhaustedError或 OOM。原因3D 卷積網(wǎng)絡(luò)參數(shù)量大加上輸入是[4, 128, 128, 64, 1]每一層的中間特征圖都很占顯存。很多人一上來(lái)就用 batch size 8 甚至 16不炸才怪。解決先把batch_size降到 2再把image_size從[128, 128, 64]改成[128, 128, 32]即減小 z 軸方向的采樣深度。如果還不行把編碼器第一層的濾波器數(shù)量從 16 減到 8。另外確認(rèn) TensorFlow 能識(shí)別 GPUimport tensorflow as tf print(tf.config.list_physical_devices(GPU))提示混合精度訓(xùn)練也能明顯省顯存可以在代碼里加tf.keras.mixed_precision.set_global_policy(mixed_float16)但要注意 BatchNormalization 在混合精度下某些版本會(huì)不穩(wěn)定測(cè)試后再用。4.4 訓(xùn)練能跑但 Dice 始終上不去現(xiàn)象訓(xùn)練幾百個(gè) epoch驗(yàn)證集 Dice 卡在 0.5 左右怎么調(diào)學(xué)習(xí)率都沒(méi)用。原因最常見(jiàn)的是標(biāo)簽和預(yù)測(cè)的編碼不一致。比如標(biāo)注文件的背景是 0、目標(biāo)是 1但預(yù)處理時(shí)不小心把目標(biāo)映射成了 255網(wǎng)絡(luò)輸出的 softmax 永遠(yuǎn)學(xué)不到正確的目標(biāo)分布。解決檢查 npz 里 label 數(shù)組的取值集合data np.load(sample.npz) label data[label] print(np.unique(label))如果輸出里有 255記得在nii2npz.py加一句seg (seg 0).astype(np.uint8)做二值化。還有一個(gè)原因是增強(qiáng)了圖像但沒(méi)增強(qiáng)標(biāo)簽導(dǎo)致圖像和標(biāo)注錯(cuò)位比如隨機(jī)翻轉(zhuǎn)時(shí)兩者不一致訓(xùn)練時(shí)增強(qiáng)操作一定要施加同樣的隨機(jī)種子。4.5 TFRecord 解碼時(shí) shape 不匹配現(xiàn)象data_loader.py里tf.reshape(image, shape)報(bào)錯(cuò)提示Cannot reshape a tensor with N elements to shape [...]。原因gettfrecords.py里保存的shape是經(jīng)過(guò)astype(np.int32)的但解碼時(shí)會(huì)變成tf.int32張量如果某個(gè)樣本的尺寸和其他樣本不一致reshape就會(huì)炸。解決在生成 TFRecord 之前強(qiáng)制把所有樣本 resize 到固定尺寸from scipy.ndimage import zoom def resize_to_fixed_shape(img, target(128, 128, 64)): factors (target[0] / img.shape[0], target[1] / img.shape[1], target[2] / img.shape[2]) return zoom(img, factors, order1)order1是線性插值圖像用線性插值沒(méi)問(wèn)題但標(biāo)簽要用最近鄰插值即order0否則會(huì)引入不存在的灰度中間值導(dǎo)致標(biāo)簽類別錯(cuò)亂。這是我踩過(guò)最深的坑之一分享出來(lái)你們就別再踩了。5. 推理與可視化source_segmenter.py 和 plot_3d.py 的正確用法訓(xùn)練完成后真正要交付的是一個(gè)能對(duì)任意輸入做分割的推理腳本。source_segmenter.py封裝了加載模型、預(yù)處理輸入、輸出分割結(jié)果的全流程。5.1 加載模型并對(duì)單個(gè)體數(shù)據(jù)推理source_segmenter.py的大致流程是讀取 NIfTI 文件 → 歸一化到相同尺寸 → 輸入模型 → 得到概率圖 → 用 argmax 得到分割標(biāo)簽 → 保存結(jié)果。import numpy as np import nibabel as nib import tensorflow as tf from scipy.ndimage import zoom def predict_volume(nii_path, model_path, target_size(128, 128, 64)): # 讀取原始影像 img nib.load(nii_path).get_fdata() affine nib.load(nii_path).affine # 重采樣到網(wǎng)絡(luò)輸入尺寸 factors (target_size[0] / img.shape[0], target_size[1] / img.shape[1], target_size[2] / img.shape[2]) img_resized zoom(img, factors, order1) img_resized (img_resized - img_resized.min()) / (img_resized.max() - img_resized.min() 1e-8) # 推理 model tf.keras.models.load_model(model_path, compileFalse) pred model.predict(img_resized[np.newaxis, ..., np.newaxis])[0] label np.argmax(pred, axis-1).astype(np.uint8) # 重采樣回原始尺寸 inv_factors (img.shape[0] / target_size[0], img.shape[1] / target_size[1], img.shape[2] / target_size[2]) label_original zoom(label, inv_factors, order0) # 保存為 NIfTI nib.save(nib.Nifti1Image(label_original, affine), seg_result.nii.gz)zoom(label, inv_factors, order0)這步非常關(guān)鍵預(yù)測(cè)結(jié)果要回到原始圖像坐標(biāo)系才有臨床意義。很多人的分割結(jié)果和原圖對(duì)不上就是因?yàn)橹夭蓸拥皆汲叽鐣r(shí)用了order1把硬標(biāo)簽的邊界模糊掉了或者忘了保存原始 affine 矩陣。5.2 3D 體繪制可視化plot_3d.py用 matplotlib 把分割結(jié)果渲染成 3D 模型方便論文配圖?;居梅ㄊ羌虞d NIfTI 分割結(jié)果用ax.voxels繪制體素import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D import nibabel as nib import numpy as np def plot_3d_mask(mask_path, threshold0.5): mask nib.load(mask_path).get_fdata() threshold fig plt.figure(figsize(10, 8)) ax fig.add_subplot(111, projection3d) ax.voxels(mask, facecolorsred, edgecolork, alpha0.6) ax.set_xlabel(X) ax.set_ylabel(Y) ax.set_zlabel(Z) plt.savefig(seg_3d.png, dpi300)三維體素渲染的數(shù)據(jù)量很大如果 mask 體素超過(guò)百萬(wàn)個(gè)繪制的旋轉(zhuǎn)交互會(huì)變得很卡。一個(gè)辦法是先用scipy.ndimage.binary_erosion做一次形態(tài)學(xué)腐蝕只保留表面體素展示效果幾乎一樣但渲染速度能快上好幾倍。5.3 驗(yàn)證分割效果的幾個(gè)指標(biāo)訓(xùn)練和推理都跑通后評(píng)價(jià)結(jié)果不能只用眼睛看。我一般會(huì)在驗(yàn)證集上算三個(gè)指標(biāo)Dice Similarity Coefficient、Hausdorff Distance 和 IoU。Dice 的公式是 $2|A \cap B| / (|A| |B|)$代碼實(shí)現(xiàn)可以這么寫def dice_coefficient(y_true, y_pred): intersection np.sum(y_true * y_pred) return (2.0 * intersection) / (np.sum(y_true) np.sum(y_pred) 1e-8) def iou_score(y_true, y_pred): intersection np.sum(y_true * y_pred) union np.sum(y_true) np.sum(y_pred) - intersection return intersection / (union 1e-8)測(cè)試時(shí)如果 Dice 高但視覺(jué)上邊界粗糙重點(diǎn)查后處理有沒(méi)有做條件隨機(jī)場(chǎng)或連通域過(guò)濾來(lái)去掉孤立的小塊。plot_3d.py里加一個(gè)取最大連通域的步驟往往能讓論文里的結(jié)果圖好看很多from scipy import ndimage def keep_largest_component(mask): labels, num ndimage.label(mask) if num 0: return mask largest np.argmax(np.bincount(labels.ravel())[1:]) 1 return (labels largest).astype(np.uint8)這算是我個(gè)人很常用的美化技巧不算學(xué)術(shù)造假因?yàn)樗サ舻氖悄P驮肼暜a(chǎn)生的偽影而不是人為擴(kuò)大病灶。每次做完分割我都會(huì)強(qiáng)制跑一遍這個(gè)函數(shù)再進(jìn) 3D 渲染流程。6. 進(jìn)階用法把這套代碼改成你自己的數(shù)據(jù)集這部分寫給已經(jīng)跑通源碼、想讓項(xiàng)目更有含金量的人。畢業(yè)設(shè)計(jì)最忌諱直接拿公共數(shù)據(jù)集跑一遍就完事評(píng)委一眼就能看出來(lái)。把別人的代碼遷移到新數(shù)據(jù)上是必須掌握的能力這里給出具體的操作路徑。6.1 從原始 DICOM 到 NIfTI 的處理順序很多醫(yī)院的影像數(shù)據(jù)是 DICOM 格式不是 NIfTI。如果你的數(shù)據(jù)是 DICOM先要用dcm2niix轉(zhuǎn)成 NIfTI這個(gè)工具是免費(fèi)的Windows 和 Linux 都有可用版本。轉(zhuǎn)換完成后再走nii2npz.py的流程dcm2niix -f %p_%s -o ./nifti/ ./dicom_folder/-f指定輸出文件名格式%p是患者 ID%s是序列號(hào)。這一步的關(guān)鍵是確保同一患者的多個(gè)序列比如 T1、T2、FLAIR都有獨(dú)立命名否則后續(xù)配對(duì)標(biāo)注時(shí)會(huì)亂。6.2 標(biāo)簽格式轉(zhuǎn)換與多類別處理醫(yī)學(xué)分割數(shù)據(jù)集的標(biāo)注格式五花八門有直接給 NIfTI 掩碼的有給 JSON 多邊形坐標(biāo)的還有給指數(shù)化 GIF 的。統(tǒng)一轉(zhuǎn)換成 NIfTI 掩碼最省事。如果標(biāo)注是 JSON 坐標(biāo)用PIL或opencv畫成掩碼再轉(zhuǎn) NIfTIimport json import numpy as np import nibabel as nib from PIL import Image, ImageDraw def json_polygon_to_mask(json_file, ref_nii_path, save_path): # 從參考圖像讀取尺寸和仿射矩陣 ref nib.load(ref_nii_path) affine ref.affine shape ref.shape[:2] # 假設(shè)是 2D 標(biāo)注 mask np.zeros(shape, dtypenp.uint8) with open(json_file) as f: data json.load(f) for polygon in data[annotations]: img Image.new(L, (shape[1], shape[0]), 0) ImageDraw.Draw(img).polygon(polygon[points], outline1, fill1) mask np.array(img) mask_3d np.stack([mask] * ref.shape[2], axis2) nib.save(nib.Nifti1Image(mask_3d, affine), save_path)如果你的任務(wù)是多器官分割mask里的值要按類別編號(hào)賦值比如肝臟1脾臟2腎臟3。這里最容易錯(cuò)的是坐標(biāo)原點(diǎn)——DICOM 轉(zhuǎn) NIfTI 后圖像的方向矩陣可能與標(biāo)注坐標(biāo)不一致最好先透視一兩層檢查對(duì)齊情況。6.3 數(shù)據(jù)增強(qiáng)策略與訓(xùn)練參數(shù)調(diào)優(yōu)自己數(shù)據(jù)集通常樣本量有限醫(yī)學(xué)圖像更是如此。數(shù)據(jù)增強(qiáng)是防止過(guò)擬合的關(guān)鍵。data_loader.py里已經(jīng)有隨機(jī)翻轉(zhuǎn)但還不夠。我一般會(huì)增加隨機(jī)旋轉(zhuǎn)、隨機(jī)縮放、彈性形變?nèi)齻€(gè)增強(qiáng)def augmented_sample(image, label): # 隨機(jī)旋轉(zhuǎn) 90 度 k tf.random.uniform((), 0, 4, dtypetf.int32) image tf.image.rot90(image, k) label tf.image.rot90(label, k) # 隨機(jī)縮放 0.9~1.1 scale tf.random.uniform((), 0.9, 1.1) new_size tf.cast(tf.shape(image)[:2] * scale, tf.int32) image tf.image.resize(image[..., tf.newaxis], new_size)[..., 0] label tf.image.resize(label[..., tf.newaxis], new_size, methodnearest)[..., 0] # 彈性形變僅圖像 if tf.random.uniform(()) 0.5: image tf.image.random_jpeg_quality(image[..., tf.newaxis], 60, 100)[..., 0] return image, label注意標(biāo)注的resize必須用methodnearest否則插值會(huì)制造新的標(biāo)簽值。旋轉(zhuǎn)角度我用 90 度的整數(shù)倍是因?yàn)?NIfTI 數(shù)據(jù)有時(shí)包含方向信息任意角度旋轉(zhuǎn)會(huì)導(dǎo)致體素間距失真增加額外復(fù)雜度。如果想做小角度旋轉(zhuǎn)建議在預(yù)處理階段先重采樣到各向同性體素比如都重采樣到 1mm3再做任意角度旋轉(zhuǎn)。調(diào)參時(shí)最常見(jiàn)的錯(cuò)誤是照搬config_param.json里的learning_rate0.0001。數(shù)據(jù)量變少時(shí)學(xué)習(xí)率應(yīng)該同步調(diào)低否則前期震蕩嚴(yán)重。我的經(jīng)驗(yàn)200 張以下數(shù)據(jù)集用 0.00005500 張以上可以用 0.0001并配合 ReduceLROnPlateau 回調(diào)動(dòng)態(tài)降低學(xué)習(xí)率。6.4 把項(xiàng)目包裝成完整畢業(yè)設(shè)計(jì)代碼跑通只是第一步畢業(yè)設(shè)計(jì)還要有完整文檔。這套源碼里帶了 README 和文檔說(shuō)明建議你在此基礎(chǔ)上補(bǔ)充三塊一是數(shù)據(jù)預(yù)處理流程圖從原始影像到 TFRecord 每一步的輸入輸出二是網(wǎng)絡(luò)結(jié)構(gòu)圖把layers.py和source_segmenter.py的模型結(jié)構(gòu)畫出來(lái)三是實(shí)驗(yàn)結(jié)果對(duì)比表至少要對(duì)比「只用 Dice Loss」和「Dice GAN 對(duì)抗損失」在驗(yàn)證集上的指標(biāo)這樣技術(shù)含量立刻不一樣。如果時(shí)間充裕再加一個(gè)簡(jiǎn)單的界面展示用streamlit寫一個(gè)上傳 NIfTI 文件、自動(dòng)分割并顯示 3D 結(jié)果的網(wǎng)頁(yè)這幾乎是畢業(yè)設(shè)計(jì)答辯的加分利器。代碼量不大但演示效果非常直觀。我自己做醫(yī)學(xué)圖像相關(guān)項(xiàng)目時(shí)習(xí)慣在每次訓(xùn)練前把git diff打一個(gè)快照防止調(diào)參調(diào)亂后想回退卻找不到原始版本。項(xiàng)目里的.gitignore已經(jīng)幫你把.tfrecord、checkpoints、logs這些大目錄排除掉了從一開(kāi)始就把版本管理用起來(lái)后面會(huì)省很多事。希望這套源碼能幫你把畢設(shè)這條路走得順一些也少熬幾個(gè)通宵。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
开心激情站婷婷五月天| 狠狠综合网| 日韩操啪| 五月丁香综合激情| 久9热在线视频| YJLZZJLZZ亚洲乱熟无码| 伊人婷婷五月天av| 狠狠干五月天| 26UUU精品一区二区c〇m| 97在线观看| 亚洲mm色| 99综合成人视频在线观看| 婷婷丁香五月高清| 日韩狠狠色| 大香蕉婷婷| 五月亭亭六月色| 人妻少妇色综合| 久热这里只有精品在线观看 | 色人久久| 色婷五月| 97操碰碰无码视频| 少妇2做爰HD韩国电影| 91视屏在线观看com.wwwvv| 玖玖色综合色| 婷婷情色五月天| 色性综合| 久久人视频| 五月婷婷色播| 99久久成人| 超碰妻人人| 色五月婷婷五月| 1024手机在线观看看片_日韩精品| 可以直接看的av| 99爱在线| 欧美激情中文字幕| 国产FREESEXVIDEOS性中国| 久久色这里只有精品| 五月婷婷综合影院| 天天色情站| 天天色,天天日,天天做| 亚洲性受XXXX五月丁香| 超碰丁香五月| 久久久久9| 99热这里只有免费| 大香蕉久久伊人婷婷五月丁香| 日韩av手机在线观看| 天天摸天天舔| 这里只有国产精品在线| 欧美婷婷丁香五月社区| 天天操天天插天天射| 天天日天天插| 日本性激情色播| 激情久久丁香| 91se视频| 大香蕉av在线| 综激情网| 色婷婷狠狠18| 婷婷激情鹿城五月天| 午夜日韩久久久网站| 婷婷金品综合视频| 天天色视频| 丁香六月婷婷激情综合| 婷婷网影院| 欧美成人AAA片一区国产精品| 天天操综合网| 婷婷丁香激情五月天色色| 五月丁香色综合| 亚洲亚洲人成综合网络| 五月天com| 天天插天天插天天插天天插| 襙逼网| 婷婷丁香91| 日本天天色| se99视频| 色视频2025| 色婷婷色和| 婷婷五月色播放| 五月激情婷婷播播网| 天天干,天天操,天天射| 玖玖婷婷免费| 99热只有| 久久伊人大香蕉| 婷婷五月噜噜| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 久久久久久综合88| 这里只有精品免费| 五月婷婷激清网| 生活片五区| 丁香花大香蕉婷婷综合| 99操逼| 综合激情视频| 色五月首页| 天天射影| 欧美日韩成人| 91九色国产| 97人人操人| 男妓跪趴把舌头伸进我的嘴巴| 91久久电影| 日韩久久这里只有精品| 狠狠干2007| 九色91视频| www.9色色色| 超碰v| ww久久| www.深爱激情| 欧美婷| 亚洲欧洲色色| 激情5月舔| 久久婷婷人人| 日韩精品一区二区亚洲AV观看| 熟女色色一区二区| 激情五月婷婷综合秋霞| 亚洲午夜成人av电影网| 色婷婷色综合久久精品V| 五月天社区| 99久久久久久www| 五月婷婷综合潮喷| 婷婷激情五月综合丁香社| 激情五月第四色| 日韩在线视频中文字幕| 大香蕉久久久久| 色色色9 9 9| 色婷婷五月天av在线| 六月天婷婷| 99超级碰免费视频| 婷婷六月啪啪| 五月大香蕉| 激情视频网址| 99视频自拍| 久久丁香| 久久久激情| 大香蕉啪啪啪| 成人在线视频网| 另类小说五月天| 99自拍视频网站| 99热碰碰| 99精品在线| 五月婷婷片| 色五月婷婷色| 亚洲精品V天堂中文字幕 | 五月丁香天天| 99热这里只有精品 搜| AV色色天堂中文| 色婷婷丁香五月| 99爱在线视频| 5月丁香综合图区| 嫩草AV久久伊人妇女超级A| 欧美精品XXXXBBBB| 人人操人人妻| 性爱激情小说AV五月丁香花| 亚洲AV网址| 激情五月天啪啪| 激情五月,激情综合网| 色婷婷色五月综合| 永久的网站AAAA | 天天综合色| 久久精彩视频| a毛片二逼wwwwwwwwww| 超碰人人摸AV| 在线观看996精品| 亚洲一区二区无遮挡A片| 亚洲操B视频| 97色欧美| 激情丁香淫荡婷婷| 五月丁香五月婷婷在线观看| 日韩综合久| www.久久爱.com| 91爱啪啪| 亚洲午夜成人av电影网| 丁香五月停停基地| 婷婷五六月丁香| 五月熟妇婷婷久久| 成人丁香婷婷| 五月婷婷影| 亚洲乱码日产精品BD在线观看| 成人国产网| 狠狠综合区| 91美女被操| 久久色五月| 久久婷婷五月激情网站| 久久久99免费视频| 少妇人妻丰满做爰XXX| 丁香五月婷婷影视先锋| 婷婷综合激情| 色色五月婷婷丁香| 五月丁香色| 成人片黄网站色大片免费毛片| 中文字幕人妻AV| 性高潮久久久久久-九九九九九九九九九九热-成人AV | 天天插天天日| 六月婷婷操逼| 久久色五月天| 少妇达人正片在线播放_ikun_福利吧| 五月婷婷丁香| 97干在线看| WWW,五月天| 天天干天天色天天干| 天天干天天拍| 岛囯综合激情网| 亚洲成人AV在线播放| 五月丁香婷婷深深爱| 99热在线精品播放| 黑人巨粗进入警花疼哭A片| 九草性爱| 色婷綜合网| 激情五月婷婷五月| 色爽干| 97色色综合| 久久人妻超碰一区| 操97| 久久五月天色| 777米奇影视第四色| 国产99久9在线| 91丨熟女丨首页| 99热这里只有精品3| 婷婷久久色| 一区=区操屄高清大全av| 综合婷婷| 婷婷五月天天爽| 亚州美女| 欧美在线视频99| 丁香五月色欲| 九九热在线视频| 黑人无码一区| 青青草原福利在线| 极品人妻VIDEOSSS人妻| 激情综合五月| 五月天停婷基地| 精品无码久久久久久久久| 久久婷婷五月综合成人d啪| ss99热| 狠狠色综合网| 综合一区二区三区| 日韩aaa| 欧美人与性动交CCOO| 97色欧美| 久久天堂| www热久久yy9| 五月天色婷婷激情| 日韩av免费版| 99久久a线观| 九九人人精品| 丁香五月婷婷Av| 深爱激情网综合| 亚洲激情区| 在线播放中文字幕| 啪啪激情综合| 五月丁香婷婷色色色| 人妻在线观看视频| 欧美激情-区二区三区| 精品一区二区三区四区五区六区| 色情五月天小说| 国产精品视频免费看| 奇米色大香蕉| 天天爽,夜夜爽| A短视频免费在线观看| a久久| 99久久网站| 天天干天天爽天天操| 日韩性爱无码| 五月丁香婷婷钟和色图| 亚洲操逼网| av五月天婷婷丁香| 天天干天天干天天干天天干天天干天天| 超碰伊人碰婷婷五月| 欧美性爱五月天| 丁香五月开心亚洲| 成人丁香五月天| 电影爱拉战争免费观看| 99久re热视频精品98| #NAME?| 五月激情天| 欧美大香蕉视频| 六月婷婷国产| www.91有码.com| 色吧五月| 久热 91| 99热在线播放精品| 国产免费一区二区三州老师F1……| 四色99久久| 91婷婷五月天嫩女| 五月婷婷啪啪啪啪| www久热com| 激情五月天之五月婷婷| 欧美成人热| 伊人久久婷| 97AV人人插人人操| 婷综合六月| 极品人妻VIDEOSSS人妻 | 六月五月久久丁香| 伊人婷婷激情| 五月婷婷丁香五月亚洲色| 国产精品色婷婷99久久精品| 射久久丁香五月| Www.久久| 国产亚洲成人综合| 91九九热| www.com任你艹| WWW色五月| 亚洲精品白浆高清久久久久久| 天天干天天干天天干天天干天| 永久免费一区二区三区| 超碰97免费在线| 色欲一二三| va亚洲中文在线| 伊人丁香花综合影院| 99极品视频| 精品无码av丁香五月激情| 五月天久久久| 丁香激惜男女| 三级成人网站| 激情图片婷婷| 久久免费视频62| 99只有这里是精品| 成人开心五月天| www.狠狠艹| 美女五月狠狠| 五月婷婷激情久久| 五月丁香六月欧美综合网站| 五月婷婷综合网| 99∨VTV| 五月激情综合网| 狠狠综合网| 五月婷婷六月丁香| 色色网站日本91| 青青色com久久| 婷婷五月激情五月丁香五月| 婷婷五月天奸女| 色噜噜狠狠色综合日日| 热这里只有精| 亚洲热久久| 久久婷婷五月天蜜桃| 99无码精品| 久久xxxx| 8050一级网| 影音先锋91男人资源在线播放| 亚洲激情| 天天想夜夜爽天天爽| 五月丁香网av| 免费观看欧美成人AA片爱我多深| 99在线视频精品| 天干夜夜操| 成人无码精品1区2区3区免费看| 日欧一片内射VA在线影院| 天天揷综合网| 台湾无码A片一区二区| 色吧五月婷婷| 激情影院免费视频婷婷五月天| 婷婷五月天黄色小说| 欧美日比视频| 成人午夜视频精品一区| 午夜婷婷久久 | 九九热AV| 九月丁香婷婷网| 婷婷久久性爱| 婷婷综合成人五月天| 婷婷五月激情在线视频| 99在线小视频| 9久热在线精品| 超碰超碰在线| 婷婷五月天亚洲综合| 天天射影院| 91日本在线观看| 激情综合网激情五月丁香五月俺也去| 久久婷婷色| 丁香五月网| 五月天六月色| 无码免费人妻A片AAA毛片西瓜 | 久久婷丁香五月| 亚洲人妻av伦理| 久久99jiu9| 亚洲婷婷婷| 草AV9999| 久久综合五月| 五月丁香色婷婷色| 伊人深爱综合| 久热伊人| 人人视频色| 五月婷婷熟女| 久久久久网站| 欧美毛卡| 激情影院69| 婷婷五月天av| 热久久这里只有精品| 激情综合99| 996日日爱| 五月丁香婷婷五月色| www.婷婷六月天| 91日综合欧美| 天天干天天日蜜臀av| 99国产精品久久久久久久久久久| 91久久久久久久| 色五月成人| 无码区婷婷五月花开| 激情五月视频| www.lingjunshare.com| 色婷婷AV五月天| 夜夜躁狠狠 | 欧美色色色色色色| 婷婷丁香五月天激情| 婷婷激情五月天色| 91婷婷五月天综合视频| 久久这里只有精品07| 激情综合五月激情XXXX| 亚洲色精彩| www色婷婷| 五月色丁香| 在线观看亚洲AV| 在线91日韩| 国产精品A片在线| 国av网| 五月天色小说| 久久探花91swag| 久久久久久久久月丁| 中文字幕网伦射乱中文| 五月网在线| 天堂A∨在线| 婷婷色五月天色| 五月丁香花激情综合网| 好吊兆人妻| 欧美va国产va| 亚洲精品久久久无码| 丁香六月色香蕉视频| 青草激情综合| 99热九九这里只有精品| 人人操av| 草操网| 久久99热这里只有精品| 色婷婷婷av| 久久怡红院| 狠狠干综合| 婷婷久久色| 中文字幕在线观看视频www| 亚洲乱码在线观看| 大香蕉啪啪网| 九九热九九| 香蕉久久国产AV一区二区| 综合激情婷婷| 五月天婷婷色五月天| 色综合五月天| 婷婷色系婷色| 婷婷色色宗合网| 久久久久久人妻久久久久久久久久人妻久久久 | 99碰网站| 婷婷色网| 九九中文色色| 五月丁香无码| 色插综合网| 久久久久久综合五月婷婷| 激情五月丁香五月| 狠狠爱五月婷婷| 色色婷婷丁香| 99热精品在线观看| 日本三级色| 色五月婷婷操逼| 金桔一区二区ab地址| 激情五月天啪啪| 久久这里只有欧美| 九九这里是免费的视频5| 99热这里只有精品3| 免费无码毛片一区二区A片| 男人的天堂99| 丁香五月性| 蜜乳.comcom| av中文网站| 开心激情站| 日日夜夜天天综合| 最近中文字幕2019视频1| 99热99在线精品| 金桔一区二区ab地址| 婷婷四色成人综合色视| 天天想夜夜爽天天爽| 亚洲色欲欧美一区二区三区| 99热这里有精品| 色99网站| 亚洲人成网站999久久久综合| 超碰91av| 久久丁香久久| 99热这里只有精品在线观看| 亚洲啪| 天天肏视频| 玖久精品视频9| 人人爱人人草| 久久99国产综合精品免费| 99九九热播在线免费视频| 99热这里都是精品| 丁香五月六月婷婷怡红院| 亚洲五月婷| 99热.com| www.黄色片-久久成人国产精品在线播放-999AV| 婷婷伊人綜合中文字幕小说| 播五月丁香六月| 91碰| 色婷婷亚洲综合av| 久久新地址| 三级大香蕉网| 色婷婷电影网| 亚洲成人AV一区在线观看| 岛国AV网| 99网| 色婷婷六月开心中文字| 五月天社区| 丁香花狠狠婷婷亚洲中文字幕| 五月婷婷啪啪啪| 第一区久久网站| 欧美在线操| 丁香六月在线综合| 亚洲五月婷| 色5月丁香婷婷| 色婷婷丁香五月观看| 日韩久综合| 无码AV免费精品一区二区三区| 久久婷婷五月天激情| 婷婷五月天熟妇| 99色婷婷视频| 激情婷婷。| 黄网在线免费| 啪啪一区| 婷婷五月天丁香| 日本色视| 久久久久久丁香五月| 狠狠操狠狠爱| 亚洲天堂大香蕉| 亚洲精品另类| 91嫩草国产线观看亚洲一区二区| 婷婷久久综合| 人人操99| 六月丁香av| 六月丁香五月天| 六月丁香五月激情婷婷| 婷丁香五月天| 亚洲操操| 91视频一起草| 亚洲啪啪网| 超碰九热| 色婷婷激情Av久久久| 丁香五月天堂| 日韩啪啪网| 成人精品在线观看| 99操碰| 老司机日日夜夜青草| 婷婷五月天成人综合网| 天天干、天天日日| 婷婷五月六月丁香综合| 日本欧美国产| 丁香五月婷婷成人网| 天天天天天操| 五月婷婷之激情五月| 黄色99网| 操啊操av| 婷婷五月无码| 天天天天干| 久久这里有精品| 99热无码| 欧美五月婷婷| 这里只有精品无码| 久久色五月天| 亚州色婷婷| 99精在线| 婷婷中文字幕| 99ER热精品视频| 激情操逼婷婷| 九久久九精品视频| 久久婷婷桃花五月天| 99视频日韩| 99精品视频播放| 97热91| 国产毛片操B| 91呦呦呦| 色噜久| 婷婷五月AV| 五月婷亚洲精品AV天堂| 久热精品视频在线观| 婷婷五月亚洲激情| 另类小说婷婷色| 天天综合网亚洲网站| 99爱免费在线观看| 丁香五月激情视频| 色播五月综合网| 超碰99在线观看| 97人人干人人操| 久久久久9| 国产精产国品一二三在观看| 婷婷久久婷婷色五月| 玖玖激情网| 亚洲成人网在线观看| 精品思思久久| 99re思思热这里| 99这里只有精品|v| 91超级碰碰碰| 丰满少妇乱A片无码| 久久色吧| www.粉嫩av.com| 伊人婷婷色激情丁香| 久久偷拍综合五月天| 亚洲午夜视频| 日本人妻伦在线中文字幕| 99热99日天天干| 大香蕉婷婷久久| 在线,国产,色,热视频| 日日艹思思热| 婷婷五月六月丁香| www色哟哟| 99精品自拍| 五月丁香婷中文字幕| 五月婷婷激情日本| 无码少妇高潮喷水A片免费| 人操91在线| 99re在线观看| 99热这里只有精品2| 色综合色综合网| 激情五月丁香五月综合| 色色色色五月天| 五月六月激情婷婷| 久久婷婷丁香| 人人操人人妻| 丁香婷婷色色| 婷婷五月天日本无码| 五月天婷婷久久| 五月婷婷色在线| 天天搡日日搡aaaaⅩ| 五月婷婷亚洲天堂激情在线| 99只有这里有精品在线视频| 欧美性生交XXXXX无码小说| 激情av在线| www激情网| 无码啪啪| 停停综合色色| 日本成人小说婷婷六月| 伊人五月综合网| 狠狠操狠狠色| 久久综合影院| 五月丁香六月欧美| 婷婷综合| 99精品视频推荐| WWW.国产| 婷婷六月色开| 深爱激情网综合| 丁香啪啪| 黄色五月婷| AA片在线观看视频在线播放| 97极品在线| 亚州AV超碰人人操| av在线超清中文| 在线日韩av| 99热| 九九AV在线| 久久人妻伦理| 久久五月婷婷开心网| 色色激情| 国产九九一区二区三区| 日韩啪啪视品| 激情五月色婷婷| 99秘 在线| 天天日天天做天天舔| 婷婷黄色网| 极品少妇高潮啪啪AV无码| 免费观看大片视频 丁香婷婷 六月欧美| 9l久久久视频| 噜噜在线| 天天舔天天爽| 久久五月视频| 99热亚洲精品| 婷婷丁香激情五月天色色| 99热这里只有精品国产免费| 亚洲午夜AV| 69久久99精品久久久久婷婷| 色播五月丁香综合| 31色区视频免费看| 亚洲99热| 偷拍丁香九月激情| 国产精品涩涩涩视频网站| 在线观看婷婷5月| 激情五月丁香六月| 另类综合国产| 中文字幕视频在线播放| 五月丁香网站| 色玖玖玖| 婷婷久久婷婷| 五月亭久久无码视频| 色婷婷综合久久| 六月婷婷激情| 婷婷五月天影院| 色色色色网| 99久久九九| 4399在线日本A片| 七七色色综合| 婷婷五月天狠狠色| 婷婷激情五月| 99A级片| 久婷婷色| 91色在线/日韩| 五月婷婷激情久久| 五月丁香婷婷婷激情爱爱| 成年人丁香五月| 99免费在线| 亚洲va在线∨a天堂va欧美va| 婷婷深爱五月丁香| 亚洲丁香五月天视频| 99久久激情视频| 久1色色| 全亚洲最大的婷婷五月天网站COM| 六月丁香啪啪啪| 婷婷五月天激情综合| 一起草Av| 婷婷香蕉| 亚洲中文无码成人| 99re思思在线视频| 婷婷丁香五月激情综合站_久久五月丁香激情综合_开心五月综合激情综合五月_婷 | WWW、日本色丁香、co m| 婷色影院| 欧美婷婷色五月网| 久9精品视频| 激情综合无码| Caop在线| 无码啪啪| www.sd-xiangsu.cpm| 色插综合网| 婷婷丁香五月,狠狠综合| 综合五月丁香六月婷婷| 久久在线大香蕉| 五月婷亚洲精品AV天堂| 开心婷婷五月| 欧美69久成人做爰视频| 另类图片五月天激情| 五月天婷婷綜合院| 激情婷婷五月丁香啪啪啪| 91呦呦呦| 日韩欧美一道四区中文字幕| 深爱五月月天| 中文字幕 久久9999| 激情www| 久久9热| 丁香五月777| 九九亚洲视频| 五月情婷婷| 操碰91| 日比视频91| 色五月婷婷久久| 丁香五月天啪啪激情综和网| 99自拍视频在线观看| 久婷婷视平| 五月色色色| 亚洲综合视频一下| 中文字幕在线免费| 夜色.cnm| 免费看欧美成人A片无码| www五月| 激情六月五月婷婷综合网| 国产免费av在线| 中国女人内射6XXXXX| 激情五月婷婷开心网| 2025中文在线视频字幕免费观看| 先锋资源91| 色六月 婷婷| 特级西西4444www无码| 无码任你操| 深爱激情五月天色婷婷| 色播综合| 影音先锋偷偷色男人站| 久久五月天激情| 日本色五月| 色综合色色色| 丁香婷婷色五月合集| 婷婷色色狠狠| 超碰人人草| 五月天婷婷色色网| 丁香婷婷综合影院| 亚洲乱码日产精品BD| 99热一区| 久久久久久人妻| 五月激情久久综合网| 日本色婷婷综合| 亚洲精品激情| A久久| 色www.con| 丁香五月婷婷乱| 精品久久99| 五月婷婷精品视频| 国内婷婷丁香社区在线播放| 精品网站:999WWW| 黄急一级视频| 久久婷色| 丁香婷婷激情六月五月开心| 不卡在线超碰| 婷婷五月69| 激情综合五月开心狠狠| 五月天色色无码| 日韩成人免费电影| 色五月五月婷婷| 1024亚洲无码| 精a品a视a频| 另类激情五月在线视频欧美| www.金莲av| 六月丁香五月婷婷首页| 人妻少妇色综合| 五月激情综合网| 激情综合网五月婷婷| 色视频五月天| 六月丁花香啪啪激情欧美| 欧日美女Va| 99热精品观看| 97爱综合| 五月丁香龟婷婷| www.婷婷五月天| 成人五月天丁香| 五月天开心网| 1769在线观看欧美国产| 新激情五月天色播| 成人国产欧美大片一区| xxxx五月激情| 色综合伊人网| 色噜噜综合网| 99无码超碰| 狠狠色九月| 热99这里只有精品视频| 国产婷婷色综合AV蜜臀AV| 亚洲Va成人| 久久人人看| 亚州激情九月| 99乱视频| 黄色短视频在线观看| 天天操狠狠操| 99天堂在线观看免费视频| 丁香五月婷婷88在线| 97在线精品| 思思热国产视频| 丁香五月婷婷啪啪| 99热精品观看| 色天堂A| 婷婷久久精品| 天天日天天操心| 国产永久一黄| 婷婷五月天久久| AⅤ网站在线看| 丁香婷婷久久老熟女综合网| 丁香五月五月婷婷欧美大香蕉 | 九九综合| 五月婷成人网| 中文成人在线| 久久人人人人妻| 麻豆WWWCOM内射软件| www婷婷亚洲| 国产69精品久久久久999小说| 天天干天天日日| 无码激情AAAAA片-区区| 亚洲五月综合色播| 97五月婷| 99色亚洲| 五月天婷婷社区久久综合| 99在线精品视频| 99热99精品| 久操婷婷| 99re99热| 疯狂做受XXXX高潮A片| 久久精品永久免费| 五月丁香综合网| 五月丁香偷拍| 色六月婷婷| xx人人xx| 超碰激情网| 综合色99| 三十路磁力链接| 99久久户外勾搭| 99国产这里只有精品| 青青草婷婷久久| www.com五月天| 99热精品99| 五月丁香黄色视频| 青青草搞屄视频网站| 日韩少妇内射免费播放| 亚洲 六月 综合| 午夜丁香 婷婷| 狠狠久久婷五月| 天天天天天天天干| 桃色五月婷婷| 开心激情婷婷| 丁香五月天导航| 无码免费人妻A片AAA毛片西瓜| 五月天自拍视频| 人人插9| 成人丁香五月| 婷婷五月开心中文字幕在线| 色婷婷久久9.com| 久久大香蕉同僚| 婷婷六月啪啪| a在线观看| 国产精品久久久久久妇女6080| 日韩十国产极品久久| 91精品国产日韩91久久久久久国模| 九九AV| 五月天全国最大成人网| 日日操天堂| 婷婷五月大香蕉| 狠狠88综合久久久久噜噜噜| 日韩一级淫乱片一区二区三区| 日韩综合久| 狠狠五月激情在线| 亚洲欧洲美女在线观| 丁香婷婷六月天| 色色色视频| 牛牛色av| 99色精品| 亚艹艹| 色V狠狠的干| 99惹 精品在线| 97操操操| 丁香五月冃欧美| 99操久久| 激情综合色婷婷啪啪五月天| 久操激情| 毛片毛片毛片毛片| 91pornav在线| 色婷婷国色天香综合| 色婷婷综合网| 丁香大香蕉| 婷婷五月大香蕉| www.maotanji.com| 色爱终和网| 色色色激情网| 99在线看片| 极品人妻VIDEOSSS人妻| 激情婷婷丁香五月天小说| 午夜成人天堂久久无码日韩久久| 9久久网| 日日操日日撸| 99久久久久久久| 久久这里有精品| 中文字幕高清av| 可似看的AV| 丝袜熟女一区二区三区| 丁香五月网在线观看| 岛国AAAV| 婷婷色成人| 久久久久久久久18久久| 天天色天天色天天色天天色天天色| 狠狠操狠狠插| 日本www五月婷婷| 婷婷五月在线视频| 99热99思午夜精品| 日本熟妇乱妇熟色A片蜜桃| 五月天婷婷久色| 亚洲偷| 久久九九蜜| 国产性爱色| 免费亚洲婷婷五月| 九九热99在线视频| 五月天另类激情在线| 超碰电影在线播放| 淫视馆aV二区一区| 思思99热热热99| 亚洲男女激情| 狠狠色综合777| www.婷婷com| 一级性爱视频| 亚洲人人操| 黄网免费观看| 婷婷激情五月天小说| 欧洲一区二区| 色婷婷综合久色AV五色最新| 成人综合网站| 五月婷婷网站| 操逼综合激情网| 色五月婷婷网| 无码色色色色色| 农村熟妇高潮精品A片| 激情久久综合网| 欧美WW在线网| 丁香婷婷深情五月亚洲| 天天婷婷天天| 色级停停| 欧美VA在线观看| 五月天婷婷社区久久综合| 丁香五月在线播放| 色噜噜狠狠色综| 亚洲成人AV电影在线| 这里只有精品免费视频| 91偷拍视频| 日日夜夜狠狠| 婷婷性爱无码视频| aaaa.黄| 色色色婷婷| 激情深爱婷婷网| 99热综合| 人人爽天天爽| aa久久| 亚洲国产精品VA在线看黑人| 五月丁香六月综合激情无码软件亮点 | 91精品婷婷国产综合久久| 天天日狠狠| 在线综合亚洲欧美65| 婷婷月综合| 少妇婷婷五月天| 99精品女人天堂| 五月天色色网站| 欧洲亚洲免费视频区| 丁香五月成人自拍| 五月婷婷色色| 婷婷五月天在线综合导航| 色播六月| 久久久18| 色爱综合视频| 开心深爱五月天| 日本婷婷综合精品| 91dy.av| 天天日天天操天天干| 婷婷五月激情基地| 99精品在| 99爱精品视频| 99re鈥哸鈥唙| 99精品综合视频| 久久久久人妻精品| 久热91精品| 亚洲五月婷婷| 婷婷激情图片| 少妇性按摩无码中文A片| 婷婷综合久久| 99原创自拍视频在线观看| 五月婷婷很很色| 黄色短视频在线观看| 超碰伊人碰婷婷五月| www.sebowuyue| 中文字幕在线免费观看视频| 婷婷五月激情热播| 26uu| www.狠狠狠狠| 色婷婷五月综合在线| 激情性五月天免费小说视频| 丁香五月在线| 成人av播放| 六月婷婷色综合| 九月丁香网婷婷| 婷婷五月天涩涩| 久操97| 久99视频| 天天拍夜夜撸| 婷婷五月天高清无码| 亚洲第一综合| 丁香五月天色婷婷| 中文字幕一色哟哟哟哟| 久久婷婷色综合老司机| 99操视频| 亚洲第一色色色| www色综合| 玖玖色综合网| 欧美电影在线观看| 91精品综合久久久五月天| 色色色色色色色色色色色色色97| 九月色婷婷| 激情婷婷色小说| 国产精品久久7777777精品无码| 五月天婷婷综合网| 日本99视频| 嘿嘿视频免费看9| 婷婷激情六月综合| 婷婷五月天直播| 婷婷射图| 婷婷五月天成人娱乐| 这里只有精品免费视频在线观看| 国产精品色婷婷99久久精品| 婷婷综合五月天| 天天透天天干| sesesesezonghe| 看久久性爱视频| 伊人超碰| 婷婷五月天A V| 99热色婷婷| 《战争与艾拉》完整版| 五月天综合图片| 丁香婷婷色五月| 精品AV无码超碰| 免费九九热| 天天操综合网站| 五月天婷婷激情小说电影| 97碰碰叉| AV成人在线播放| 五月丁香激情综合欧美| 免费AV在线| 亚洲网在线观看| 婷婷五月丁香啪啪| 综合图区激情| 欧美色色色| 99资源人人| 久热这里只有精品在线观看 | 五月天婷婷小说| WWW久| WWW色五月天| 天天爱天天秀天天做| 激情五月综合网| 91九色 婷婷| 天天综合网、天天综合色| 精品在线网站| 97热在线精品| 日本99久久| 在线观看免费狠狠色丁香香综合| 五月婷婷丁香大陆免费| 成人片在线播放| 夜夜涩涩涩| 伊人综合网4| 久久性爱视频这里只有精品| 99这里| 婷婷内射视频在线| 五月婷婷激情日本| 五月天丁香成人| 天天色综网| 久久精品国产一区二区三区四区| 婷婷五月欧美综合| 任我鲁这里有精品视频| 国产97色在线| 丁香六月AV| 内射激情在线| 国产成人99久久亚洲综合精品| 日本美女五月天| 97色色色色色| 成人片黄网站色大片免费毛片| 亚洲传媒在线观看| 丁香五月婷婷激情四射| 華人性愛AV在線| 婷婷综合激情五月综合| 人。妻久久| 五月婷婷黄色| 色婷婷成人做爰A片免费看网站 | 狠狠操狠狠干综合| 激情六月婷婷| 99久久综合网| 91无码一区人妻A片蜜| 五月丁香久久色| 电影蜘蛛女| 俺去也在线www色官网| 91免费看片| 丁香激情网| 成人 九九九九| 丁香色情五月综合激情| 五月丁香五月天现场视频| 67194中文字幕| 变态 另类 在线 | 九九色婷婷| 久久丁香五月婷婷| 婷婷成人五月天| 国产亚洲精品久久久久久牛牛| 久久婷婷五月综合色天| 、激情六月天| 另类小说激情五月天| 久久9久| httpwww色com日本| 99热e| 丁香婷婷色五月天| 99re这里| 激情开心五月天| 欧美色色日韩| 99这里只有精品8| 国产精品久久久海的味道| 午夜精品久久久久久久爽| 91丨九色丨熟女|老版| 色婷婷五月婷婷五月婷婷五月| 99在线精品视频| 久久久久久久11111111111| 激情久久五月天| 这里只有精品网站| www99热| 五月色丁香| 五月好婷婷| 色婷婷五月天偷拍| 狠狠九九婷婷韩| 五月丁香六月激情网| 天天色播| 狠狠丁香| av网址在线| 男人的天堂999| 五月丁香久久呀| 伊人婷婷99热精品| 狠狠色噜噜狠狠色噜噜噜999| 99热这里精品| 青青操avbb| 丁香五月天啪啪| 婷婷久久久久久久| 国产精品久久久爽爽爽麻豆色哟哟| 色婷婷五月网| 七七久久婷婷| 国产精品美女| 好看的国产精品| 丁香五月色| 激情狠狠丁香月| 另类亚洲电影| www.日本91| 久久九九综合| 五月天激情小说| 91操操操| Caoporn公开| 国产免费一区二区三区三州老师F1F1.CC | 精品色色色| 无码髙清| 婷婷色网| 婷婷久久六月天| 九九在线视频| 丁香五月亚洲综合| 亚洲4区国产欧美| 99热国产精品| 538在线| 天堂呦 呦百度搜索-百度搜索| 婷婷五月天电影网| 亚洲精品亚洲人成人网| WWW.国产| aaa日韩| 五月天婷综合| 丁香六月综合激情| 五月宗合激情网| 久9热视频在线观看| 中文字幕日产A片在线看| 天天干天天爽天天操| 91精品综合久久婷婷九色| 风流少妇A片一区二区蜜桃| www狠狠| 丁香五月大香蕉AV| 五月丁香婷婷基地| 成人做爰黄A片免费看直播室男男| 激情婷婷另类| 久草狼人| 成人视频网| 五月天桃色深爱网| 思思热国产视频| 国产99久| 中文无码婷婷| 国产99视频永久免费| 国产激情在线观看| 国产激情久久久| 99亚州综合精品成人网| 操99| 久热在线观看视频9| av色色国产| 26UUU亚洲欧美| 无码啪啪| 熟妇高潮一区av| 日韩久热| 五月婷婷伊人久久| 9久热免费视频99| 久久香蕉网| 激情综合网五月婷婷| 丁香五月天在线视频| 99九九这里有免费视频| 91婷婷丁香| 亚洲欧州色情在线观看| 思思热这里只有精品视频666| 91聚色综合网| 色五月激情五月天| 丁香六月在线| 五月丁香六月婷婷综合免| 婷婷五月丁香欧洲| 99网| 久机视频这只有精品| 操逼棍操逼| 色婷婷网| 1769在线观看欧美国产| 亚洲天堂久久| 99爱视频在线观看这里只有精品| 亚洲激情网站无码| 天堂色色色| 无码激情AAAAA片-区区| 9久久精品| 九热视频| 袁子仪视频观看| 久久五月视频| 色色色色色日韩午夜激情 | 99精品热| www色五月| 99精品小视频|