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)運營的一線實戰(zhàn)洞察。

fMRI與醫(yī)學(xué)深度學(xué)習(xí):從功能連接到疾病分類的完整實戰(zhàn)指南

fMRI與醫(yī)學(xué)深度學(xué)習(xí):從功能連接到疾病分類的完整實戰(zhàn)指南 神經(jīng)影像與醫(yī)學(xué)深度學(xué)習(xí)的結(jié)合近幾年幾乎是計算機視覺和醫(yī)學(xué)圖像分析領(lǐng)域里最熱門的方向之一。無論是阿爾茨海默癥早期診斷、精神分裂癥生物標(biāo)志物挖掘還是腦機接口中的腦狀態(tài)解碼fMRI功能磁共振成像數(shù)據(jù)都扮演著核心角色。但很多剛接觸這個方向的同學(xué)會遇到同一個問題自然圖像那套深度學(xué)習(xí)流程遷移到腦影像上似乎沒那么好用了。數(shù)據(jù)維度不對、樣本量太小、預(yù)處理流程復(fù)雜、模型可解釋性要求高處處都是坎。這篇文章會圍繞醫(yī)學(xué)深度學(xué)習(xí)在神經(jīng)影像中的應(yīng)用展開重點針對 fMRI 數(shù)據(jù)講清楚核心概念、科研應(yīng)用場景、完整的工具鏈與學(xué)習(xí)路徑并提供一個可以照著跑的實戰(zhàn)案例幫助初學(xué)者少走彎路。文章適合以下幾類讀者醫(yī)學(xué)影像相關(guān)的碩士研究生、博士研究生尤其是剛接觸神經(jīng)影像分析的同學(xué)想從自然圖像 CV 轉(zhuǎn)向醫(yī)學(xué)圖像方向的算法工程師對腦科學(xué)、人工智能交叉方向感興趣但不知道從哪下手的初學(xué)者已經(jīng)在做結(jié)構(gòu)像 MRI 分析想擴展到 fMRI 功能像分析的研究者。讀完這篇文章你會掌握 fMRI 數(shù)據(jù)的基本結(jié)構(gòu)、主流分析流程、深度學(xué)習(xí)建模的常見思路以及一套從零開始的完整學(xué)習(xí)路線。1. 為什么神經(jīng)科學(xué) AI 被稱為黃金賽道1.1 從醫(yī)學(xué)深度學(xué)習(xí)說起醫(yī)學(xué)深度學(xué)習(xí)是深度學(xué)習(xí)技術(shù)在醫(yī)療健康領(lǐng)域的應(yīng)用總稱覆蓋醫(yī)學(xué)影像診斷、病理切片分析、電子病歷挖掘、藥物發(fā)現(xiàn)、基因組學(xué)等多個子方向。其中醫(yī)學(xué)影像因為數(shù)據(jù)形態(tài)相對規(guī)整、任務(wù)目標(biāo)明確成為落地最活躍的領(lǐng)域。常見的醫(yī)學(xué)影像模態(tài)包括CT計算機斷層掃描主要看解剖結(jié)構(gòu)MRI磁共振成像結(jié)構(gòu)像看解剖功能像看腦活動超聲實時性強常用于腹部和心血管檢查病理切片超高分辨率二維圖像需要特殊處理眼底照視網(wǎng)膜成像用于糖尿病視網(wǎng)膜病變篩查。在所有這些模態(tài)中fMRI 是比較特殊的一種。它并不是一張靜態(tài)圖片而是包含空間結(jié)構(gòu)和時間序列的四維數(shù)據(jù)。這意味著深度學(xué)習(xí)模型要同時捕捉空間模式和時間動態(tài)建模難度要比普通二維圖像高一個檔次。1.2 為什么神經(jīng)影像方向值得投入神經(jīng)影像 AI 之所以被很多人稱為“黃金賽道”主要是因為以下幾點第一臨床需求真實且迫切。神經(jīng)系統(tǒng)疾病包括阿爾茨海默癥、帕金森病、精神分裂癥、抑郁癥、自閉癥譜系障礙等往往缺乏客觀的生物學(xué)診斷指標(biāo)。醫(yī)生主要依賴量表評估和行為觀察主觀性較強。如果模型能從 fMRI 數(shù)據(jù)中找到穩(wěn)定的腦活動模式差異就有希望成為輔助診斷的生物標(biāo)志物。這種需求是剛性的。第二數(shù)據(jù)有獨特的學(xué)術(shù)價值。腦是人體最復(fù)雜的器官fMRI 數(shù)據(jù)記錄了大腦在任務(wù)刺激或靜息狀態(tài)下的血氧水平依賴信號BOLD 信號本質(zhì)上是一種高維時空數(shù)據(jù)。通過對 fMRI 的建模研究者不僅能做分類預(yù)測還能反過來探索“哪個腦區(qū)和哪個腦區(qū)之間的連接模式發(fā)生了改變”這種可解釋性分析對腦科學(xué)基礎(chǔ)研究非常有價值。第三交叉學(xué)科壁壘帶來的稀缺性。既懂深度學(xué)習(xí)又懂神經(jīng)影像的人目前仍然相對稀缺。純做算法的同學(xué)不熟悉腦結(jié)構(gòu)純做臨床的同學(xué)不熟悉深度學(xué)習(xí)。能夠把兩邊銜接起來的人在科研合作、項目落地、論文產(chǎn)出上都有明顯優(yōu)勢。1.3 常見應(yīng)用場景神經(jīng)影像 AI 的實際應(yīng)用場景非常豐富以下是幾個典型的任務(wù)疾病分類根據(jù) fMRI 數(shù)據(jù)判斷被試屬于患者組還是健康對照組例如精神分裂癥分類、阿爾茨海默癥識別。腦齡預(yù)測利用結(jié)構(gòu)像或功能像預(yù)測被試的“腦齡”腦齡與真實年齡的差距可以作為腦健康程度的指標(biāo)。認(rèn)知狀態(tài)解碼從任務(wù)態(tài) fMRI 中預(yù)測被試正在進(jìn)行的認(rèn)知活動例如看的是貓還是狗或者正在回憶什么內(nèi)容。功能連接分析不直接做分類而是通過功能連接矩陣比較兩組被試的腦網(wǎng)絡(luò)差異屬于更偏統(tǒng)計分析的方向。影像基因組學(xué)結(jié)合 fMRI 與基因數(shù)據(jù)分析腦活動模式與遺傳變異之間的關(guān)聯(lián)。這些場景中深度學(xué)習(xí)主要承擔(dān)兩種角色一種是端到端的預(yù)測模型直接吃原始 fMRI 或預(yù)處理后的數(shù)據(jù)做分類另一種是特征提取器將深度學(xué)習(xí)得到的表征與傳統(tǒng)的統(tǒng)計分析結(jié)合。2. fMRI 數(shù)據(jù)的核心概念在動手寫代碼之前先把 fMRI 數(shù)據(jù)本身搞清楚。很多人一開始就直接跑深度學(xué)習(xí)模型結(jié)果模型不收斂、效果差回頭才發(fā)現(xiàn)連數(shù)據(jù)長什么樣都沒弄明白。2.1 BOLD 信號與 fMRI 成像原理fMRI 的全稱是 functional Magnetic Resonance Imaging即功能磁共振成像。它測量的并不是神經(jīng)元放電本身而是血氧水平依賴信號也就是 BOLD 信號。其基本原理是當(dāng)某個腦區(qū)活躍時局部腦血流量增加含氧血紅蛋白與脫氧血紅蛋白的比例發(fā)生變化。脫氧血紅蛋白是順磁性的會擾動局部磁場從而影響 MRI 信號強度。通過對這種信號的連續(xù)采集可以間接反映神經(jīng)活動的時間變化。需要特別注意的是BOLD 信號是一種間接且滯后的測量信號時間分辨率有限通常每隔 1 到 3 秒采集一個全腦 volume。因此fMRI 并不是“實時記錄神經(jīng)元活動”而是通過血流動力學(xué)響應(yīng)間接推斷神經(jīng)活動。2.2 4D 數(shù)據(jù)空間維度和時間維度一次標(biāo)準(zhǔn)的 fMRI 掃描得到的數(shù)據(jù)通常是一個四維數(shù)組X冠狀位方向的空間維度Y矢狀位方向的空間維度Z軸位方向的空間維度T時間幀數(shù)。舉個例子一個常見的 fMRI 掃描參數(shù)可能是61 × 73 × 61的空間分辨率TR重復(fù)時間為 2 秒共掃描 120 個時間點。那么數(shù)據(jù)結(jié)構(gòu)就是61 × 73 × 61 × 120其中前三個維度構(gòu)成一個大腦的三維體積第四維是時間序列。理解這一點非常關(guān)鍵因為很多深度學(xué)習(xí)模型的設(shè)計都圍繞這四個維度展開如果忽略時間維度把每個 volume 當(dāng)作獨立樣本就退化為 3D CNN 分類問題如果保留時間維度可以用 4D CNN、CNN RNN 或 Transformer 處理如果先提取每個腦區(qū)的平均信號序列再算腦區(qū)之間的相關(guān)性就得到功能連接矩陣可以用 2D CNN 或圖神經(jīng)網(wǎng)絡(luò)。2.3 fMRI 與結(jié)構(gòu)像 MRI 的區(qū)別剛?cè)腴T的人容易把 fMRI 和結(jié)構(gòu)性 MRI 混在一起。實際上它們的區(qū)別非常明顯維度結(jié)構(gòu)像 MRI功能像 fMRI數(shù)據(jù)形態(tài)3D 單張圖像3D 時間的 4D 序列主要信息解剖結(jié)構(gòu)、組織類型血氧信號的時間變化空間分辨率較高可達(dá) 1mm 各向同性較低常見 2-3mm時間分辨率無較低TR 通常為 1-3 秒典型任務(wù)腫瘤分割、腦區(qū)分割功能連接分類、腦狀態(tài)解碼有些研究還會把結(jié)構(gòu)像和功能像一起作為多模態(tài)輸入比如 Alzheimer’s 分類中把 T1 結(jié)構(gòu)像和靜息態(tài) fMRI 結(jié)合。這樣能互補信息但多模態(tài)的數(shù)據(jù)預(yù)處理和模型融合復(fù)雜度也更高。2.4 靜息態(tài) fMRI 和任務(wù)態(tài) fMRIfMRI 數(shù)據(jù)根據(jù)采集時被試的狀態(tài)可以分成兩大類靜息態(tài) fMRIrs-fMRI被試不執(zhí)行任何任務(wù)閉眼放松休息大腦處于自發(fā)的低頻活動狀態(tài)。這種數(shù)據(jù)最常用于疾病分類研究因為它不需要復(fù)雜的任務(wù)設(shè)計臨床采集方便跨中心的標(biāo)準(zhǔn)化程度相對較高。任務(wù)態(tài) fMRItask-fMRI被試在掃描過程中執(zhí)行特定任務(wù)例如手指敲擊、圖片觀看、記憶編碼等。任務(wù)態(tài)數(shù)據(jù)更適合研究特定認(rèn)知功能對應(yīng)的腦區(qū)激活模式但不同實驗范式的設(shè)計差異很大跨研究比較困難。對于入門者通常建議從靜息態(tài) fMRI 開始因為它流程相對固定公開數(shù)據(jù)集也更多。3. 神經(jīng)影像 AI 的科研應(yīng)用全景這一部分把目前主流的研究方向梳理一遍。每個方向看似都是“分類”或“回歸”但實際技術(shù)方案差別很大。3.1 基于功能連接的疾病分類這是靜息態(tài) fMRI 中最主流的研究范式。思路分三步走將大腦按照標(biāo)準(zhǔn)圖譜劃分成若干個感興趣區(qū)ROI常用的圖譜包括 AAL、Desikan-Killiany、Gordon 等提取每個 ROI 的平均 BOLD 時間序列計算 ROI 兩兩之間的皮爾遜相關(guān)系數(shù)得到一個N × N的功能連接矩陣以功能連接矩陣作為特征訓(xùn)練分類器或者將矩陣當(dāng)作圖像輸入卷積網(wǎng)絡(luò)。這種做法的優(yōu)勢在于特征維度大幅降低從原始的百萬級體素降到幾百維或幾千維緩解了樣本量不足的問題。同時功能連接矩陣具有明確的神經(jīng)生物學(xué)意義實驗結(jié)果更容易解釋。3.2 基于體素/灰質(zhì)體積的淺層分類如果做結(jié)構(gòu)像分析可以計算每個體素或每個腦區(qū)的灰質(zhì)體積然后使用 SVM、邏輯回歸等傳統(tǒng)機器學(xué)習(xí)方法分類。這種方法在 Alzheimers 分類中非常經(jīng)典優(yōu)點是簡單、穩(wěn)健、可解釋性強。但要注意這種方法對圖像配準(zhǔn)的精度要求極高。不同被試的大腦形狀不同必須先把所有圖像配準(zhǔn)到同一個標(biāo)準(zhǔn)空間比如 MNI 空間才能保證同一個體素在不同被試之間對應(yīng)的是同一個解剖位置。3.3 端到端深度模型隨著深度學(xué)習(xí)的發(fā)展越來越多研究嘗試讓模型直接吃預(yù)處理后的 fMRI 數(shù)據(jù)跳過人工特征工程。典型方案3D CNN把每個時間點的 brain volume 當(dāng)作 3D 圖像輸入。4D CNN / RNN 組合先用 3D CNN 提取空間特征再用 RNN 或 LSTM 建模時間動態(tài)。Transformer把腦區(qū)時間序列當(dāng)作 token 序列用自注意力機制建模腦區(qū)間的長程依賴關(guān)系。圖神經(jīng)網(wǎng)絡(luò)GNN將大腦建模為圖節(jié)點是 ROI邊是功能連接強度或結(jié)構(gòu)連接在圖級別做分類。這些方法在論文里效果往往不錯但在實際應(yīng)用中需要面對樣本量小、過擬合嚴(yán)重、可解釋性差等問題。3.4 腦齡預(yù)測腦齡預(yù)測是另一個熱門的研究方向。研究者使用深度學(xué)習(xí)模型從 T1 結(jié)構(gòu)像或功能連接特征中預(yù)測被試的年齡然后計算“預(yù)測腦齡減去真實年齡”的差值即 PADPredicted Age Difference。如果某個人群的 PAD 顯著大于 0說明其大腦看起來比同齡人更老可能與神經(jīng)退行性疾病相關(guān)。腦齡預(yù)測已經(jīng)被應(yīng)用于輕度認(rèn)知障礙、精神分裂癥、艾滋病相關(guān)神經(jīng)認(rèn)知障礙等多種疾病研究。這個方向的技術(shù)核心不是分類精度而是回歸模型的準(zhǔn)確性和泛化能力。3.5 多中心數(shù)據(jù)的泛化問題在真實科研項目中很少只用單中心數(shù)據(jù)。比如 ABIDE 數(shù)據(jù)集就包含來自 17 個不同采集中心的數(shù)據(jù)不同中心的掃描儀型號、采集參數(shù)、被試群體都有差異。模型在一個中心上訓(xùn)練效果好到另一個中心上性能可能明顯下降。這就是所謂的“跨站點泛化問題”。目前在多中心 fMRI 研究中處理方式包括使用 ComBat 等工具進(jìn)行數(shù)據(jù)協(xié)調(diào)使用域適應(yīng)或域泛化方法把中心信息作為協(xié)變量加入模型采用更穩(wěn)健的預(yù)處理流程盡量減少采集參數(shù)對數(shù)據(jù)的影響。這一點需要從項目一開始就考慮等后面發(fā)現(xiàn)泛化不行再回頭處理會浪費大量時間和算力。4. 環(huán)境準(zhǔn)備與工具鏈4.1 操作系統(tǒng)與硬件神經(jīng)影像分析和深度學(xué)習(xí)訓(xùn)練通常在 Linux 環(huán)境下進(jìn)行推薦 Ubuntu 20.04 或 22.04。GPU 是必需的尤其是端到端深度學(xué)習(xí)模型顯存建議至少 8GB 以上如果做傳統(tǒng)機器學(xué)習(xí)或功能連接分類CPU 也可以應(yīng)付只是速度慢一些。Windows 也能跑大部分 Python 庫但在神經(jīng)影像工具鏈的兼容性上不如 Linux。這里還是最推薦 Linux。4.2 Python 環(huán)境建議使用conda管理 Python 環(huán)境Python 版本選擇 3.9 或 3.10 即可。這里給出一個示例建環(huán)境命令conda create -n neuroai python3.10 conda activate neuroai注意具體庫的兼容性會隨版本變化如果安裝過程遇到問題優(yōu)先查看對應(yīng)庫的官方文檔確認(rèn) Python 版本支持情況。4.3 核心 Python 庫神經(jīng)影像研究需要安裝以下幾類庫。醫(yī)學(xué)圖像讀取與處理# 讀取 nii.gz 格式的神經(jīng)影像數(shù)據(jù) import nibabel as nib img nib.load(sub-01_T1w.nii.gz) data img.get_fdata() print(data.shape)nibabel是幾乎所有神經(jīng)影像分析工作的基礎(chǔ)庫支持 NIfTI、GIFTI、CIFTI 等格式。拿到數(shù)據(jù)后第一件事通常是打印數(shù)據(jù)形狀確認(rèn)是 3D 還是 4D。影像預(yù)處理和可視化nilearn是專門為神經(jīng)影像機器學(xué)習(xí)設(shè)計的 Python 庫封裝了預(yù)處理、圖譜提取、功能連接計算、可視化等常用功能非常適合入門。from nilearn import plotting, datasets # 加載示例數(shù)據(jù) haxby_dataset datasets.fetch_haxby() # 顯示一個統(tǒng)計圖 plotting.plot_stat_map(example_stat.nii.gz)流程化預(yù)處理fMRIPrep是當(dāng)前 fMRI 預(yù)處理的主流工具自動完成頭動校正、時間層校正、配準(zhǔn)、歸一化等步驟。它運行在 Docker 或 Singularity 容器中輸出處理后的數(shù)據(jù)以及豐富的質(zhì)量報告。深度學(xué)習(xí)框架PyTorch 在醫(yī)學(xué)影像領(lǐng)域的使用率遠(yuǎn)高于其他框架主要原因是生態(tài)豐富、動態(tài)圖靈活、社區(qū)資料多。安裝命令pip install torch torchvision如果要用圖神經(jīng)網(wǎng)絡(luò)還需要安裝torch-geometric安裝方式與其支持的 CUDA 版本有關(guān)建議參考官網(wǎng)。4.4 常用公開數(shù)據(jù)集在科研中數(shù)據(jù)質(zhì)量直接決定實驗效果。以下是幾個常用的公開 fMRI 數(shù)據(jù)集ABIDE自閉癥譜系障礙靜息態(tài) fMRI 數(shù)據(jù)集包含 17 個中心的數(shù)據(jù)適合做跨中心分類實驗。HCP人類連接組計劃包含高質(zhì)量的任務(wù)態(tài)和靜息態(tài) fMRI數(shù)據(jù)量大、質(zhì)量高適合做認(rèn)知解碼和分析方法研究。ADNI阿爾茨海默癥神經(jīng)影像計劃包含 MRI、PET、臨床數(shù)據(jù)適合做疾病進(jìn)展預(yù)測和生物標(biāo)志物挖掘。UK Biobank大規(guī)模生物樣本庫包含數(shù)萬人的腦影像數(shù)據(jù)適合做腦齡預(yù)測和大規(guī)模統(tǒng)計分析。COBRE精神分裂癥 fMRI 數(shù)據(jù)集規(guī)模適中適合快速驗證模型。每個數(shù)據(jù)集都有自己的倫理授權(quán)協(xié)議和使用限制下載前務(wù)必查看對應(yīng)官網(wǎng)的 Terms of Use。4.5 目錄結(jié)構(gòu)規(guī)劃一個規(guī)范的 fMRI 深度學(xué)習(xí)項目目錄結(jié)構(gòu)可以參考下面neuro_project/ ├── data/ │ ├── raw/ # 原始 NIfTI 數(shù)據(jù) │ ├── processed/ # 預(yù)處理后數(shù)據(jù) │ └── derivatives/ # fMRIPrep 輸出 ├── src/ │ ├── preprocessing.py │ ├── build_connectome.py │ ├── dataset.py │ ├── model.py │ └── train.py ├── config/ │ └── config.yaml ├── results/ │ ├── models/ │ └── logs/ └── README.md從一開始就保持目錄清晰能避免后期寫論文時到處找數(shù)據(jù)文件的問題。5. 核心處理方法與代碼示例這一節(jié)列出 fMRI 分析中最常用的幾個環(huán)節(jié)每段代碼都可以直接參考使用。5.1 數(shù)據(jù)加載與基礎(chǔ)檢查拿到 fMRI 數(shù)據(jù)后第一步永遠(yuǎn)是檢查數(shù)據(jù)的基本屬性包括形狀、體素大小、TR 等。import nibabel as nib func_path path/to/sub-01_task-rest_bold.nii.gz func_img nib.load(func_path) # 4D 數(shù)據(jù)形狀: (x, y, z, time) data func_img.get_fdata() print(4D shape:, data.shape) # 獲取體素大小 zooms func_img.header.get_zooms() print(voxel sizes:, zooms) # 獲取 TR tr func_img.header[pixdim][4] print(TR:, tr)這里有一個新手常犯的錯誤直接用get_fdata()讀取 4D 數(shù)據(jù)并傳入 PyTorch卻忘了數(shù)據(jù)存儲的數(shù)據(jù)類型可能是float64顯存占用是float32的兩倍。建議讀取后轉(zhuǎn)換為float32data func_img.get_fdata(dtypefloat32)5.2 掩膜提取與時間序列提取fMRI 數(shù)據(jù)包含大量非腦組織體素直接全腦計算會引入大量噪聲。通常需要先使用腦掩膜brain mask或圖譜把數(shù)據(jù)限定在灰質(zhì)或特定 ROI 內(nèi)。nilearn提供了非常方便的接口from nilearn.input_data import NiftiLabelsMasker, NiftiMasker # 使用標(biāo)準(zhǔn)圖譜 AAL提取每個 ROI 的平均時間序列 masker NiftiLabelsMasker( labels_imgpath/to/aal.nii.gz, standardizeTrue, memorycache, verbose1 ) # 輸入 4D 數(shù)據(jù)輸出 2D 數(shù)組形狀為 (時間點數(shù), ROI數(shù)) time_series masker.fit_transform(path/to/sub-01_task-rest_bold.nii.gz) print(time_series.shape)NiftiLabelsMasker是最常用的工具之一它自動完成配準(zhǔn)、重采樣、ROI 信號提取、標(biāo)準(zhǔn)化等步驟。輸出的time_series每一列代表一個腦區(qū)在不同時間點上的平均信號。5.3 功能連接矩陣的構(gòu)建拿到 ROI 時間序列后下一步通常就是計算功能連接矩陣import numpy as np # 計算 Pearson 相關(guān)系數(shù)矩陣 connectome np.corrcoef(time_series.T) # 對角線置零去除自相關(guān) np.fill_diagonal(connectome, 0) print(Connectome shape:, connectome.shape)這個連接矩陣就是后續(xù)分類的輸入特征??梢园丫仃囅卤泶鎯?npy或.csv文件供傳統(tǒng)機器學(xué)習(xí)使用也可以轉(zhuǎn)成 PyTorch Tensor 輸入圖神經(jīng)網(wǎng)絡(luò)。5.4 簡單 SVM 分類基線在做深度學(xué)習(xí)之前強烈建議先跑一個簡單的 SVM 基線。一方面能檢驗特征是否有效另一方面深度學(xué)習(xí)的效果必須超過基線才有意義。from sklearn.model_selection import cross_val_score from sklearn.svm import SVC import numpy as np # X: 上三角連接矩陣展平后的特征 # y: 標(biāo)簽數(shù)組, 0/1 # 取上三角避免對稱矩陣的重復(fù)信息 triu_idx np.triu_indices_from(connectome, k1) X connectome[triu_idx].reshape(1, -1) clf SVC(kernellinear, C1.0) scores cross_val_score(clf, X, y, cv5, scoringaccuracy) print(fCV accuracy: {scores.mean():.3f} ± {scores.std():.3f})在 ABIDE 數(shù)據(jù)集上線性 SVM 的分類準(zhǔn)確率通常在 60% 到 70% 左右具體取決于預(yù)處理和特征選擇。要超過這個基線深度學(xué)習(xí)模型必須能提取到 SVM 學(xué)不到的更復(fù)雜的特征。5.5 簡單 2D CNN 分類模型當(dāng)功能連接矩陣的維度不高時一種常見的做法是直接把它當(dāng)作單通道圖像輸入 2D CNN。盡管它并不是真正的“自然圖像”但 CNN 能捕捉到相鄰 ROI 之間的局部相關(guān)性模式。import torch import torch.nn as nn class ConnectomeCNN(nn.Module): def __init__(self, n_regions116, n_classes2): super().__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool nn.MaxPool2d(2) self.flatten nn.Flatten() # 動態(tài)計算全連接層輸入維度 dummy torch.zeros(1, 1, n_regions, n_regions) flat_dim self._get_flat_dim(dummy) self.fc nn.Linear(flat_dim, n_classes) def _get_flat_dim(self, x): x self.pool(torch.relu(self.conv1(x))) x self.pool(torch.relu(self.conv2(x))) return self.flatten(x).shape[1] def forward(self, x): x torch.relu(self.conv1(x)) x self.pool(x) x torch.relu(self.conv2(x)) x self.pool(x) x self.flatten(x) return self.fc(x)這段代碼是核心片段需要配合數(shù)據(jù)加載和訓(xùn)練腳本使用。n_regions需要與圖譜的 ROI 數(shù)量一致。5.6 時空序列建模的 RNN 方案如果不想丟失時間信息可以把 ROI 時間序列直接輸入循環(huán)神經(jīng)網(wǎng)絡(luò)。此時每個時間點的輸入是一個腦區(qū)信號向量import torch.nn as nn class RNNClassifier(nn.Module): def __init__(self, n_regions116, hidden_size64, n_classes2): super().__init__() self.lstm nn.LSTM( input_sizen_regions, hidden_sizehidden_size, batch_firstTrue, bidirectionalTrue ) self.fc nn.Linear(hidden_size * 2, n_classes) def forward(self, x): # x 形狀: (batch, T, n_regions) out, _ self.lstm(x) # 取最后一個時間步的輸出 last_out out[:, -1, :] return self.fc(last_out)這種模型的任務(wù)理解是每個時間點各腦區(qū)的活動模式經(jīng)過 LSTM 編碼后最后匯總成整個掃描序列的表示再做分類。6. 完整實戰(zhàn)基于 ABIDE 的 ASD 分類接下來用一個相對完整的項目把上面所有環(huán)節(jié)串起來。由于 ABIDE 原始數(shù)據(jù)下載需要申請這里提供一套代碼框架你可以根據(jù)自己的數(shù)據(jù)目錄調(diào)整路徑。6.1 數(shù)據(jù)準(zhǔn)備假設(shè)你已經(jīng)下載了 ABIDE 預(yù)處理的靜息態(tài) fMRI 數(shù)據(jù)每個被試的文件名格式為sub-50001_task-rest_bold.nii.gz同時準(zhǔn)備一個labels.csv包含兩列subject_id和label。subject_id,label 50001,0 50002,1 50003,1 ...標(biāo)簽為 0 表示健康對照1 表示 ASD 患者。6.2 批量提取功能連接矩陣先把每個被試的 fMRI 數(shù)據(jù)經(jīng)過圖譜分割和時間序列提取得到對應(yīng)的功能連接矩陣。import os import glob import numpy as np import pandas as pd from nilearn.input_data import NiftiLabelsMasker def build_connectomes(func_dir, labels_file, atlas_path, output_dir): os.makedirs(output_dir, exist_okTrue) labels_df pd.read_csv(labels_file) masker NiftiLabelsMasker( labels_imgatlas_path, standardizeTrue, memorycache, memory_level2, n_jobs2 ) for _, row in labels_df.iterrows(): sub_id row[subject_id] func_path os.path.join(func_dir, fsub-{sub_id}_task-rest_bold.nii.gz) if not os.path.exists(func_path): print(fMissing: {func_path}) continue # 提取 ROI 時間序列 ts masker.fit_transform(func_path) # 計算功能連接矩陣 conn np.corrcoef(ts.T) np.fill_diagonal(conn, 0) # 保存 save_path os.path.join(output_dir, fsub-{sub_id}_connectome.npy) np.save(save_path, conn) print(fFinished: {sub_id}, shape{conn.shape}) print(All connectomes are saved.)這段代碼的核心邏輯就是循環(huán)每個被試做序列提取、計算相關(guān)矩陣、保存。實際運行時間取決于數(shù)據(jù)量和機器性能幾百個被試一般需要幾十分鐘到數(shù)小時。6.3 訓(xùn)練數(shù)據(jù)切分把功能連接矩陣和標(biāo)簽組裝成 PyTorch 的數(shù)據(jù)集import torch from torch.utils.data import Dataset, DataLoader class ConnectomeDataset(Dataset): def __init__(self, conn_dir, labels_file, n_regions116): labels_df pd.read_csv(labels_file) self.conn_paths [] self.labels [] for _, row in labels_df.iterrows(): sub_id row[subject_id] label int(row[label]) conn_path os.path.join(conn_dir, fsub-{sub_id}_connectome.npy) if os.path.exists(conn_path): self.conn_paths.append(conn_path) self.labels.append(label) self.n_regions n_regions def __len__(self): return len(self.conn_paths) def __getitem__(self, idx): conn np.load(self.conn_paths[idx]).astype(np.float32) # 加一個通道維度: (1, N, N) x torch.from_numpy(conn).unsqueeze(0) y torch.tensor(self.labels[idx], dtypetorch.long) return x, y注意這里的數(shù)據(jù)集假設(shè)每個 connectome 矩陣都是按同一個圖譜順序排列的。不同圖譜中 ROI 的編號順序會影響矩陣結(jié)構(gòu)實驗時必須保持一致。6.4 訓(xùn)練循環(huán)基礎(chǔ)訓(xùn)練循環(huán)如下import torch.optim as optim def train_one_epoch(model, dataloader, optimizer, criterion, device): model.train() total_loss 0 correct 0 total 0 for x, y in dataloader: x, y x.to(device), y.to(device) optimizer.zero_grad() out model(x) loss criterion(out, y) loss.backward() optimizer.step() total_loss loss.item() * x.size(0) pred out.argmax(dim1) correct (pred y).sum().item() total y.size(0) return total_loss / total, correct / total device torch.device(cuda if torch.cuda.is_available() else cpu) model ConnectomeCNN(n_regions116, n_classes2).to(device) optimizer optim.Adam(model.parameters(), lr1e-4) criterion nn.CrossEntropyLoss() for epoch in range(30): loss, acc train_one_epoch(model, train_loader, optimizer, criterion, device) print(fEpoch {epoch1}: loss{loss:.4f}, acc{acc:.4f})6.5 預(yù)期結(jié)果與說明在 ABIDE 數(shù)據(jù)集上最后的分類準(zhǔn)確率通常不會像自然圖像那樣輕松達(dá)到 90% 以上。如果預(yù)處理合適、樣本量充足二分類準(zhǔn)確率在 65% 到 75% 之間已經(jīng)算是正常范圍。影響結(jié)果的變量很多樣本量、站點差異、圖譜選擇、是否做特征選擇、訓(xùn)練集和測試集的劃分方式等。因此當(dāng)模型準(zhǔn)確率不高時不要急著堆模型結(jié)構(gòu)首先檢查數(shù)據(jù)處理流程和數(shù)據(jù)劃分是否合理然后對比 SVM 基線接著再考慮是否引入更復(fù)雜的網(wǎng)絡(luò)。7. 常見問題與排查思路7.1 典型問題速查表問題現(xiàn)象常見原因解決思路數(shù)據(jù)讀取后形狀不對NIfTI 數(shù)據(jù)可能是 3D也可能是 4D可能是按最后一維排列時間幀用nibabel.squeeze處理單例維度打印原始形狀并核對模型訓(xùn)練不收斂學(xué)習(xí)率過大、輸入數(shù)據(jù)未標(biāo)準(zhǔn)化、標(biāo)簽不平衡降低學(xué)習(xí)率檢查數(shù)據(jù)均值方差使用加權(quán)損失函數(shù)訓(xùn)練集準(zhǔn)確率高測試集很低樣本量小導(dǎo)致過擬合使用交叉驗證、數(shù)據(jù)增強、Dropout、L2 正則化不同數(shù)據(jù)中心的同一類別效果差距大跨站點數(shù)據(jù)分布差異使用數(shù)據(jù)協(xié)調(diào)工具按站點分層切分考慮域適應(yīng)方法功能連接矩陣中有 NaN某些 ROI 時間序列方差為 0或是掩膜外區(qū)域檢查 ROI 掩膜與功能數(shù)據(jù)的對齊情況對異常 ROI 進(jìn)行過濾顯存不足4D 數(shù)據(jù)直接輸入模型導(dǎo)致內(nèi)存爆炸先降維為功能連接矩陣或縮小 batch size圖譜與數(shù)據(jù)不對齊沒有做配準(zhǔn)或重采樣使用NiftiLabelsMasker前確認(rèn)圖譜與功能數(shù)據(jù)空間一致7.2 數(shù)據(jù)加載問題神經(jīng)影像數(shù)據(jù)的格式非常多常見的有.nii、.nii.gz、.dcmDICOM等。.nii.gz是最推薦的格式。如果你拿到的是 DICOM 文件夾需要先使用dcm2niix或dcm2nii轉(zhuǎn)換。轉(zhuǎn)換示例dcm2niix -o output_dir -f %s_%d input_dicom_dir轉(zhuǎn)換完成后再檢查文件名和方向信息不要假設(shè)所有 DICOM 轉(zhuǎn)出來都是正確方向的。7.3 fMRIPrep 運行失敗fMRIPrep 運行依賴 Docker 或 Singularity常見的失敗原因是鏡像下載失敗、環(huán)境變量未配置、內(nèi)存不足。排查步驟確認(rèn) Docker/Singularity 服務(wù)正常運行檢查磁盤空間是否充足fMRIPrep 輸出數(shù)據(jù)量通常很大查看日志尾部找到具體報錯信息如果內(nèi)存不足可以增加內(nèi)存或減少并行任務(wù)數(shù)。不建議在家用電腦上直接跑 fMRIPrep規(guī)范做法是在服務(wù)器上運行或者使用預(yù)處理過的公開數(shù)據(jù)。7.4 樣本不平衡問題神經(jīng)影像研究中患者組和對照組的人數(shù)經(jīng)常不平衡有些類別可能只有幾十個樣本。常見緩解辦法使用類別權(quán)重比如CrossEntropyLoss(weighttorch.tensor([1.0, 2.0]))對少數(shù)類做過采樣或者對多數(shù)類做欠采樣使用評價指標(biāo) F1-score、AUC 而不是準(zhǔn)確率在論文中同時報告 sensitivity 和 specificity。不要為了提升 accuracy 而試圖通過刪除樣本改變真實分布這樣會導(dǎo)致結(jié)果不客觀。7.5 數(shù)據(jù)泄露問題這是科研中最容易出問題的地方。數(shù)據(jù)泄露指的是訓(xùn)練集和測試集之間存在信息重疊導(dǎo)致評估結(jié)果虛高。在 fMRI 項目中最容易發(fā)生數(shù)據(jù)泄露的方式同一個被試的多次掃描分別出現(xiàn)在訓(xùn)練集和測試集沒有按站點切分導(dǎo)致測試集中的數(shù)據(jù)分布與訓(xùn)練集高度相似特征選擇時使用了全數(shù)據(jù)集的信息數(shù)據(jù)標(biāo)準(zhǔn)化時使用全數(shù)據(jù)集的均值和方差計算。最穩(wěn)妥的做法是在進(jìn)入任何特征工程或模型訓(xùn)練之前先把訓(xùn)練集、驗證集和測試集按被試級別分離并且盡量按站點分層采。8. 神經(jīng)影像深度學(xué)習(xí)的最佳實踐8.1 數(shù)據(jù)隱私與倫理合規(guī)醫(yī)學(xué)數(shù)據(jù)涉及患者隱私使用公開數(shù)據(jù)集時必須遵守數(shù)據(jù)使用協(xié)議不能隨意二次分發(fā)。如果在醫(yī)院或合作單位拿到真實患者數(shù)據(jù)需要經(jīng)過倫理審批并做到去除所有可識別信息數(shù)據(jù)加密存儲不在公共代碼倉庫提交患者數(shù)據(jù)路徑論文發(fā)表時注意被試人數(shù)的可識別風(fēng)險。這一點沒有商量余地。即使是“研究用不發(fā)表”也不能非法獲取或傳播患者數(shù)據(jù)。8.2 可復(fù)現(xiàn)性管理神經(jīng)影像分析很容易出現(xiàn)“結(jié)果不可復(fù)現(xiàn)”的問題主要原因是環(huán)境依賴復(fù)雜、預(yù)處理參數(shù)多樣、隨機種子未固定。推薦做法使用conda或 Docker 固定環(huán)境版本在代碼中固定隨機種子記錄所有預(yù)處理參數(shù)將中間產(chǎn)物命名規(guī)范帶日期或版本號代碼和配置放到 GitHub 時不要忽略 GPU 型號和 CUDA 版本的差異。8.3 模型選擇與比較深度學(xué)習(xí)模型并非唯一選擇也不是越復(fù)雜越好。在醫(yī)學(xué)影像領(lǐng)域一個關(guān)鍵原則是模型復(fù)雜度和樣本量必須匹配。樣本量在 100 到 500 時傳統(tǒng)機器學(xué)習(xí)配合功能連接特征往往比端到端深度學(xué)習(xí)效果更穩(wěn)定樣本量達(dá)到幾千甚至幾萬時深度學(xué)習(xí)模型才能發(fā)揮優(yōu)勢。因此如果項目樣本量不大優(yōu)先從線性模型和 SVM 開始深度學(xué)習(xí)作為更強大的方案進(jìn)行比較。8.4 可視化與可解釋性醫(yī)學(xué)領(lǐng)域?qū)山忉屝砸筝^高審稿人也很難接受一個完全黑箱的分類器。常用的可解釋性分析手段使用 Grad-CAM 查看模型關(guān)注哪些腦區(qū)對功能連接特征進(jìn)行置換重要性分析對比患者組與對照組的功能連接差異使用 t 檢驗并做 FDR 校正使用稀疏模型Lasso、稀疏邏輯回歸直接得到有意義的特征權(quán)重??山忉屝苑治霾粌H能增加論文的說服力也能幫助你發(fā)現(xiàn)模型的潛在問題例如模型可能學(xué)到了站點偽跡而不是真實疾病信號。8.5 計算資源與訓(xùn)練效率醫(yī)學(xué)影像項目的特點是數(shù)據(jù)大、樣本少、訓(xùn)練時間短。一臺普通的 24GB 顯存 GPU 就足以支撐絕大多數(shù)實驗。真正耗時的往往是預(yù)處理比如 fMRIPrep 和配準(zhǔn)任務(wù)多、I/O 頻繁。效率方面的建議預(yù)處理只做一次不要每次訓(xùn)練前重復(fù)運行將中間數(shù)據(jù)保存為.npy或.npy格式避免每次讀取 NIfTI 的解析開銷使用DataLoader時設(shè)置num_workers默認(rèn)值很低時需要調(diào)整如果數(shù)據(jù)太大先做 ROI 級摘要再進(jìn)模型。9. 從零開始的完整學(xué)習(xí)路徑對于零基礎(chǔ)想切入神經(jīng)影像 AI 的同學(xué)學(xué)習(xí)路徑比具體某個工具更重要。這里給出一個分階段的學(xué)習(xí)路線。階段一掌握 Python 與深度學(xué)習(xí)基礎(chǔ)約 1-2 個月不需要完全精通但至少能熟練Numpy 數(shù)組操作切片、廣播、矩陣運算PyTorch 基礎(chǔ)Tensor、Dataset、DataLoader、模型定義、訓(xùn)練循環(huán)CNN 的基本原理卷積、池化、全連接、反向傳播經(jīng)典模型結(jié)構(gòu)ResNet、VGG 的基本組成。推薦的練習(xí)題目不是醫(yī)療圖像分類而是先跑熟 CIFAR-10 或 MNIST把訓(xùn)練一整套模型的流程搞清楚。階段二熟悉神經(jīng)影像數(shù)據(jù)與工具約 1-2 個月這個階段目標(biāo)是從零加載一個 fMRI 數(shù)據(jù)并完成最基本的分析和可視化。需要掌握NIfTI 數(shù)據(jù)格式和 4D 數(shù)據(jù)的概念nibabel 讀取數(shù)據(jù)的基本操作nilearn 中NiftiMasker、NiftiLabelsMasker和NiftiSpheresMasker的用法如何用plotting.plot_connectome可視化功能連接功能連接和 ROI 分析的基本概念。可以參考 nilearn 官方教程中關(guān)于靜息態(tài) fMRI 的分析部分把每個 example 手動跑一遍。階段三跑通一個完整的疾病分類項目約 2 個月選擇一個公開數(shù)據(jù)集比如 ABIDE 或 COBRE做一遍從數(shù)據(jù)下載、預(yù)處理、特征提取、SVM 分類、深度學(xué)習(xí)模型到結(jié)果分析的全流程。注意不要在這個階段過度糾結(jié)于刷性能先跑通整個流程是最重要的。完成一個端到端的小項目后你對整個領(lǐng)域的理解會有一個質(zhì)變。階段四深入研究和選題長期在掌握了基本流程之后可以結(jié)合自己的領(lǐng)域背景選擇細(xì)分方向如果擅長算法可以研究跨站點泛化、自監(jiān)督預(yù)訓(xùn)練、圖神經(jīng)網(wǎng)絡(luò)等方向如果熟悉臨床可以針對某一種疾病做深度分析如果想做工程落地可以研究體素級模型和多模態(tài)融合如果重統(tǒng)計可以深入學(xué)習(xí)功能連接分析和因果分析。持續(xù)關(guān)注神經(jīng)影像領(lǐng)域的頂級會議和期刊例如 OHBMOrganization for Human Brain Mapping、MICCAI、NeuroImage、Human Brain Mapping 等。復(fù)現(xiàn)優(yōu)秀的論文代碼是快速提升研究水平的最有效方式。寫在最后神經(jīng)影像 AI 不是最容易的方向但確實是一個值得投入的方向。它既有真實臨床需求的牽引又有腦科學(xué)問題的深度同時臨床上的人才缺口也相對大。入門最大的障礙不是難度而是資料分散、流程不規(guī)范帶來的挫敗感。通過這篇教程建議先跑通 ABIDE 或 COBRE 的一個小型分類實驗把數(shù)據(jù)處理流程和模型建立過程完整走一遍再逐步深入新的方法。腦影像數(shù)據(jù)是 4D 時空數(shù)據(jù)與普通 CV 有本質(zhì)區(qū)別學(xué)會處理這種數(shù)據(jù)本身也是一種很有遷移價值的技能。如果教程中哪一步還不清楚建議在真實數(shù)據(jù)上多試幾次很多問題會自己在動手過程中浮現(xiàn)出來。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
影音先锋噜一噜| AA片在线观看视频在线播放 | 激情综合九| 久久人妻视频| 日韩婷婷| 91碰超| 66精品成人免费网站在线观看| 天天舔天天插天天爱| 4438成人电影| 性色综合网| 99久久99综合| 五月激情综合网| 大香蕉欧美在线| 插插五月天| a色色色色色| 人妻中文av| 热思思九九| 五月婷婷六月天| 五月激情网站| 99无码| 夜夜爽天操| 五月婷婷新网站| 色欲影香| 98永久精品| 久久久久九九九九视屏小说88| 亚洲妇女熟BBW| 五月激情六月宗合| 婷婷五月天av| 中文字幕婷婷| 五月丁香琪琪| 国产avapp 网| 久re热视频| 欧美xx激情视频在线观看| 日韩砖区| A一级操| 五月五婷婷网| 婷婷激情肏屄网| 狠狠色噜噜狠狠狠狠综合| 七七色色综合| 怡红院成人AV| 婷婷激情五月天小说| 九九热视频精品999| 202丰满熟女妇大| 日本天天色| 国产精品久久..4399| 五月丁香激情综合啪啪| 日91高清无玛| 久久大香蕉同僚| 丁香色婷婷五月天| 久久怕怕视频| 五月激情婷婷播播开心| 久色大| av操一操| 日本五月婷婷| 无码色色| 色婷五月天激情| 五月激情丁香| 99成人小视频| 丁香五月a| 99热这里只有精品50| 五月丁香网中文字幕| 九九热10| 婷婷五月天影视| 免费99情趣网视频| 久久黄色免费视频| 丁香五月天殴美激情| 激情五月婷婷欧美极品| 色情五月天首页| 色狠狠伊人久久五月丁香| 婷婷丁香色五月天久久88| 五月天激情综合首页| 99精品热| 成人va在线观看视频| 婷婷激情伍月网| AV激情五月| 色噜噜狠狠色综合AV兰草影视| 色婷婷电影网| 色色色精品无码区| 91婷婷五月天综合视频| 思思热久久爱| 操骚货在线| 激情五月天小说| 五月婷婷综合潮喷| 亚洲成人婷婷| 狠狠爱婷婷爱| 五月亭亭六月天| 人妻久久久久久久 | 91超级碰人人操| 伊人天堂婷婷| 99视频91| 久久婷婷五月天蜜桃| 全高清无码视頻| 在线成人网址| 丁香五月六月久久综合 | 丁香五月天激情综合| 日日干日日| 少妇人妻人伦A片| 日韩在线观看网址| 丁香五月婷婷少妇| 五月天婷婷基地综合网| 天天爽在线视频| 色情五月丁香婷婷网| 热的国产,热的综合,热的有码| 国产精品五月丁香| 丁香五月综合在线观看| 国产无人区大片| 91精品婷婷国产综合久久| 99视频| 日日日日日| 亚洲国产精品VA在线看黑人| www色哟哟| 欧美色色日韩| 九色视频91疯狂| 丁香五月激情六月欧亚激情综合导航| 六月伊人婷婷| 色五月丁香五月天| 久热欧美| 疯狂做受XXXX高潮A片动画| 七月丁香五月婷婷在线| 99久久.www| 色噜噜狠狠色综合网| 亚洲精久久| 五月婷婷综合激情| 97婷婷五月天| 99ri在线观看视频| 成熟妇人A片免费看网站| 五月天婷a在线| 色停停影院五月天| 91久久久久久久久18| 丁香五月天激情婷婷丁香六月| 五月婷婷久久爱| 久久精品视频9| 婷婷五月婷婷| 99视频在线精品| 国产午夜精品AV一区二区麻豆| 激情五月婷婷丁香综合网| 操人精品| 色婷丁香五月| 色婷婷五月天视频在线| 色婷网| 大香蕉啪啪啪| 丁香六月婷婷色XXXXX| 99网址在线看| 少妇口诉沐足视频播放器网址| 五月丁香六月婷婷亚洲综合| 精品久久99码| 久久婷婷丁香花综合网| 91艹人| 色色六月| 狠狠久久婷五月| 97丁香花五月天激情小说| 日韩AV色色色| aaa久久| 91综合在线| 99久久国产综合精品五月天喷水\| 伊人婷婷91| 99热r| 五月丁香综合啪啪対白| 丁香五月六月婷婷综合| 专区无日本视频高清8| AV操一操| 超碰免费在线| 五月天色婷婷成人| 伊人啪啪网| 人妻体体内射精一区二区| 国产亚洲色婷婷久久99精品91| 国产67194| 久久久亚洲成人无码A片| 欧美日韩国产一区| 狠狠色丁香婷婷综合久久97AV| 免费在线观看欧美激情xx小视频| 色婷婷导航| 2015在线中文字幕| 开心婷婷中文字慕| 综合五月丁香六月婷婷| 激情综合网五月婷婷| 操精品9| 色婷婷六月天| 99久久成人| 人妻少妇色综合| 婷婷丁香激情| 日本五月天一页| 99热在线精品观看| 久久免费干| 91日韩在线| 天天色官网| 亚洲av成人在线| AV网在线| 99在线观看| 色爱终和网| 99ri精品视频在线观看| 99热在线极品极品| 婷婷丁香五月天综合AV| 欧美丁香婷婷五月天| 久久a热| 99热97美女| 狠狠做五月| 91精品久久久久久综合五月天| 99热超碰| 丁香六月色| site:jszngf.com| 亚洲精品婷婷| 字幕网AV中文字幕| 97色婷婷| www.激情五月| 日产精品一线二线三线芒果| 婷婷久久大香蕉| 2025年最新亚洲在线欧美| 九九免费视频| 99人妻碰碰碰久久久久| 这里只有精品视频看看| 婷婷伊人五月天| 日韩成人影片在线观看| 无码天天操| 99re在线精品视频| txt五月激情四射网综合俺也来了| 丁香五月婷婷五月天在线| 99久热这里只有精品| 婷婷久久五月天| 婷婷五月天情色| 中文人妻主播久久| 色欲丁香| 欧美激情伊人| 狠狠色 综合色区| 大香蕉啪啪啪| 色色综合激情| 狠狠色丁香久久婷婷综合五月| 五月激情站| 丁香六月色| 青娱乐美女福利视频美臀| 91爱啪啪| 停停五月色宗合| 五月丁香六月激情综合在线| www.99在线| 青青草轻轻操| 五月婷婷开心五月| 丁香五月之久操视频| 五月天狠狠网站| 涩婷婷五月天在线精品视频| 婷婷丁香五月社区亚洲| 色婷婷丁香五月丁香| 婷婷五月天色色| 97婷婷五月激情六月丁香伊人| 久久五月天黄色五月天色网址| 九九亚洲视频| 91九色大屁股| 色婷婷亚洲五月天| 97操在线| 热久久66| 久操操| 色五月色五天色情网| 色情婷婷五月天| 免费超碰在线观看| 五月天婷婷在线啪啪视频| 啪啪一区| 97碰超级人人看| 思思热视频| 亚洲99精品九九在线| 一区二区中文字幕| www.五月丁香| 我爱大香蕉| 99色| 久热re在线视频| 婷婷五月天激情影片| AV大香蕉| 激情五月天激情网| WWW.婷婷| 伊人久久婷婷| 国产 亚洲 在线| 婷婷九月在线| 99久在线精品99re8热| 九久九精品| www。五月天。com| 99在线免费观看| 亚洲激情网| 超碰成人av| 碰碰碰97免费精彩视频| 天堂草在线看www| 激情五月综合网丁| 亚洲无码成人性爰网| 超碰在线人妻| 亚洲夜五月| 婷婷精品视频| 91Chinese在线| 成人网在线视频| 91刘玥视频在线观看| 天天干、天天日日| 婷婷丁香六月天| www.操逼comm| 99热网精品| 五月婷成人网| 成AV人片一区二区三区久久| 五月丁香好婷婷姑娘综合网| 26uuu国产| 人人干天天舔| 丁香五月久久| 99精品视频在线免费观看| 丁香五月色| 婷婷五月天在线看| www.狠狠操| 人妻性操逼中文字幕 国产| 亚洲综合久| 色九月婷婷综合| 97色欧美| 97色色色| 九九热超碰| 99操中文视频| 久热9| 日韩ac不卡无码| 99综合久久| 玖玖爱伊人| 黄色片区子| 丁香婷婷六月天| 99热都是精品| 韩国中文字幕91| 五月综合777| 精品国产一区二区三区四区阿崩 | 激情综合色五月丁香六月亚洲| 激情AV网| 可以免费看AV网站| 欧美性交一区二区三区| 超碰国产在线观看| 婷婷五月激情图片| 天天插天天插天天插天天插| 播五月婷婷开心| www色色色com| 五月天色综合服务平台| www.玖玖九| 丁香五月亚洲天堂| 超碰京东热av男人的天堂| 五月花免费视频| 视频久久9| 丁香五月六月婷婷综合| 丁香激情网| 色情婷婷| 天天人人天天爽| 51精品国自产在线| 深爱五月日韩| 激情宗合 激情宗合| 大香蕉久久婷婷| 五月婷婷啪啪啪| 五月丁香啪啪综合| 96人人操人人操人人| 五月综合激情婷婷六月色窝| 婷婷丁香五月天狠狠| 成人国产网| 美女五月天| 婷婷五月天情色| 超碰9| 色五月婷婷中文字幕| 深爱五月激情| 天天拍天天做视频| 西西4r午夜剧场| 99精在线| 婷婷精品在线| 五月天婷婷色| 99久久精品视频女神1| 亚洲精品444久久久久久| 五月天婷婷色| 欧美婷婷六月丁香综合色| 亚洲乱码精品久久久久..| 激情 婷婷 丁香五月天| 黄色五月婷| 欧美超级视频97| 亚洲成人在线播放| www久视频com| 夜夜干夜夜操| 婷婷伊人网| 久操婷婷| 婷婷五月天干干| 99天堂网最新| 九色PORNY9l原创自拍| 综合激情网五月激情| 九九综合影音先锋| 天天噜| 亚洲色色色色色色色色色| 免费做A爰片77777| 99热网站| 九九热超碰| 欧美叉叉叉BBB网站| 婷婷六月色播| 色婷婷777狠狠| www狠狠| 26UUU精品一区二区Com| 五月婷婷九九久久| 色五月天电影| 久久这里只有国产视频| 狠狠五月激情丁香六月| 人妻久久久久久| 久久色五月天综合网| 国产激情在线| 黄桃AV无码免费一区二区三区| 热成人网| 久久女人天堂| 久久A极片| 激情五月天激情五月天| 激情小说五月天社区丁香| 日韩AV中文在线观看| 天天爽夜夜爽夜夜爽精品视频| 欧美人人操| 开心五月天激情网| 五月人妻婷婷视频| 中海油常州环保涂料有限公司| 色婷婷综合久久| 婷婷六月综合基地| 婷婷五月天在线观看av| 亚洲另类毛片| 五月激情综合网| A久网| 久久 婷婷 五月天| 丁香网五月天| 涩综合网| 五月天婷婷乱| 99热新网址| 欧美成人AAA片一区国产精品| 婷婷激情小说| 色99亚洲| 婷婷色色欧美| 五月天激情四射| 丁香激情综合| 激情五月开心五月在线视频| 色欲色香综合网站| 色色国产| 色狠狠婷婷| 思思热久久阴99| 91熟妇大香蕉| 成片免费播放| 激情综合一| 九九精品在线视频观看| av一区免费看| 五月天久久久| 国产美女视频久| 五月婷免费视频久久久| 狠狠色色综合| 伊久大香蕉| 亚洲99综合| 丁香五月综合在线播放| 婷婷久久大香蕉| 亚洲黄色网址| 欧美激情综合| 五月婷婷婷婷| 婷婷五月天xxx| 久久综合中文字幕| 果冻传媒A片一二三区| 五月天激情四射| 色丁香影院| 9er热在线精品视频| 中文成人在线| 免费观看的av| 五月丁香大相交| 色婷婷六月精品| 久色网址| 99国产欧美视频| 五月大香蕉| 婷婷成人五月天| 亚洲AV无码久久精品色欲| 五月婷婷天堂| 超碰在线免费观看3 9| 亚洲日日操| 狠狠草狠狠草| 3p日韩网站视频| 日本三级日本三级三级人妇四虎| 天天久久婷婷| 日本精品久久久久中文字幕| 五月丁香色色| 色小说五月天| 伊人日日干| 亚洲av免费在线| 永久天堂日本| 亚洲V国产V欧美V久久久久久| 综合久久9| 99热亚洲精品66| 26uuu色噜噜精品一区| 六月婷婷色色色| 丁香五月天大香蕉啪啪| 91Chinese在线| 97色97干| 天天婷婷色六月| 亚洲熟妇AV综合网五月丁香伊人| 亚洲精品无码久久| 九九www| 九月激情婷婷丁香| 激情开心五月天| 91久久九久久九久久九久久九久久| 丁香五月色五月婷婷宗合| 久久这里只精品66| 91婷婷色五月| 色婷婷色综合激情91| 色逼综合网| 99热这里是精品| 色丁香五月天| 五月草视频| 最新五月天婷婷影| 26uuu淫色| 色婷| 天天肏天天肏天天肏| 五月天婷婷无码| 极品少妇XXXX精品少妇偷拍| 婷婷五月天AV| 六月激情婷婷| 国产婷婷综合在线免费视频| 五月的色婷婷高潮| 天天色综合网吨吧| 亚洲AAA| 亚洲另类婷婷五月丁香在线播放| 色综合网址| 啪精品| 丁香五月欧美婷婷| 97爱艹婷婷开心丁香激情综合| 亚洲激情av| 91久久99久久91熟女精品| 久久性爱视频| 欧美五月丁香| 另类激情网| 九六五月天婷婷| 五月丁香亭亭成人电影| 天堂婷婷五月在线| 婷婷五月大| 五月天成人综合| 9久久AV| se婷97| 天天色中文字幕女优AV| 亚洲中文字幕AV在线| 嫩草AV久久伊人妇女超级A| 伊人91| 婷婷中文无码| 欧美久久网| 色色色色色网| 成人丁香| 久久久噜噜噜久久人妻| 99亚州综合精品成人网| 狠狠干综合网| 亚洲亚洲亚洲AAAAAA| 婷婷六月天激情影院| 五月激情综合婷婷| 久久在这里有精品| 亚州激情在线视频| 婷婷色色综合激情| 欧美va国产va| 开心亚洲久久开心| 亚洲亚洲激情| 婷婷五月深深的爱| 丁香婷婷丁香五月欧美人| 人人玩人人橾| www.25五月婷婷| 99久热这里只有精品视频删减版| www,五月天com| 情色五月天网站| 五月婷在线影院| 七七九色| 99热新网址| WWW色色色COm| 热久久91| 91碰碰| 丁香九月婷| 人人操AV| 91chinese在线| 日本综合色图| 六月丁香婷婷拍拍| 天天日夜夜B久久| 国产伊人五月天| 第四色五月激情网| 五月激情婷婷六月丁香| 六月婷婷七月丁香| 色久激情在线| 激情五月丁香六月| 婷婷国产成人| 日本三久久| 日本超碰在线| 大香蕉久操| 精品久久艹| 五月天婷婷丁香| www久久久| 熟妇人妻中文字幕无码老熟妇| 中国女人做爰A片| 国产XXXX搡XXXXX搡麻豆| 97很鲁在线视频| 婷婷影视久久| 六月丁香婷婷综合影院| 97欧美在线| 亚洲在线操| 国产成人网| 噜噜色五月| 99这里只有精品视频在线| 综合综合色色| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 丁香 婷婷五月| 六月丁香深深爱| 新激情五月天色播| 婷婷婷婷婷开心无码播放| 激情五月婷婷在线观看| www.婷婷五月| 五月丁香色色网| 极品人妻VIDEOSSS人妻| 97婷婷五月丁香| 91一道本| 综合五月婷婷| 密臀久久| 区区欧美你爱| 久久丁香五月| 大香蕉婷婷丁香天堂AV| 任你爽视频| 久久人妻少妇嫩草AV| 婷婷香蕉香| 丁香花五月天社区| 91碰碰视频| 久久久人妻不卡| 五月丁香六月婷婷综合免| 亚洲性色XXXXX| 99久热这里只有精品| 九九色色| 日日干天天| 成人无码精品1区2区3区免费看| 色婷婷狠狠久久综合五月| 99精品女人天堂| 91丨九色丨43老版熟女| 五月色无码| 婷婷精品综合| 五月婷婷中文字幕| 99色视频| 久热视频97AV在线观看| 欧美天堂久久| oumeisesewang| 思思热久久爱| 欧美激情VA永久在线播放| www.zbzhongsen.com| 92久久精品一区二区| 久久99免费视频网站| 黄色精品五月婷婷| 爱爱色五月天| 天天爽天天日天天舔| 五月综合激情| 欧美激情五月天| 五月丁香久久激情综合| 久久九九玖玖| 丁香六月激情综合网| 免费不卡狠操美女视频网| 婷婷五月丁香综合| 国产精品久久久久久喷浆| 婷婷综合天堂| 91色五月| 玖玖精品资源| 99狠狠操一| 五月婷婷啪啪| 丁香五月天亚洲综合| 另类图片色五月| 欧美性爱特黄一级aaaassss| 开心婷婷五月| 啪啪一区| 综合网网欲色| 五月丁香久久网| 九九热精品6| 影音先锋一区二区三区| 色五月激情五月| 激情五月天色婷婷综合| 热99精品视频观看| 深爱婷婷网| 五月天伊人| 在线免费观看激情视频| 丁香综合婷婷开心激情网| 天天操夜夜爽| 婷婷精品视频| 91丨九色丨首页| 91婷婷在线| 人妻尝试久久久久久久久久久久| 9色在线视频| 电影91久久久| 人妻精品在线| 丁香婷婷十月| 深爱激情六月天| yirenjiqingshiping| 婷婷五月综合在线| 26uuu欧美宗合| 激情五月丁香五月| 91seAV| 只有精品视频在线观看| 深爱激情综合网| 婷婷另类小说| 激情啪啪五月天| 婷婷欧美偷拍综合| 激情欧美丁香五月| 俺去也婷婷| 色五月婷婷AV| 婷婷五月天视频小说| 亭亭色网| 久久受www免费人成| 淫视馆aV二区一区| 五月天色社区| 99热综合| 亚洲小电影在线观看黄999| 久久婷婷五月天激情| 性爱网五月天| 婷婷五月激情小说| 日韩人妻无码一区二区| 久久久27操| 久久性爱99国产| 日本69日人视频| 俺也高清无码高清视频| 大香蕉啪啪啪| 91婷婷伊人牛牛| 婷婷五月伦理| 99热精品在线观看| 色婷另类| 丁香五月精品| www.婷婷| 丁香五月手机在线| 色色哒五月婷婷六月丁香| 开心激情综合| 91人人操人人看| 丁香五月激情澎湃一区| 五月天久久婷婷| 狠狠九九婷婷韩| 91dy.av| 久碰视频| 超级碰碰碰碰视频| 国产另类综合| 亚洲激情av| 色婷婷a v| 这里只有精品网站| 精品一二三区久久AAA片| 亚洲无线视频| 天天精品视频在线观看视频| 色婷婷小说| 五月天婷婷网站888| 99在线精品视频免费观看20| 99国产精品白浆在线观看免费| 91久久久久久久久久久| 色激情五月天| 亚洲AV成人在线观看| 丁香五月 综合| 99热99极品观看| 碰人人97| 九九九成人在线视频| 亚洲这里只有精品| WWW.久久久久久久| 久久婷婷五月综合色和| 欧美性猛交99久久久久99按摩| 五月天婷婷色在线视频免费观看| 99久久99久久| 99热亚洲综合| 天天舔天天摸天天透| 1000部毛片A片免费观看| 99ri在线| 91狠狠色丁香| 激情五月天婷婷色色色色色色色色色色色| 激情综合另类| 国产JK精品白丝AV在线观看| 性日本激情| 96精品久久久久久久久| 吾爱AV导航| 午夜婷婷六月天| 日本人妻伦在线中文字幕| 五月丁香日本一抹本| 午夜成人综合| 婷婷综合偷拍| 久热这里只有精品视频免费观看| 不卡在线超碰| 丁香五月婷婷色综合基地| 亚洲情欲| 99在线69| 激情床戏| 狠狠色五月| 激情五月天激情五月天| 大香蕉网 久久| 久热这里只有精品66| 国产欧美日韩综合精品一区二区| 丁香午月AV中文字幕| 99无码视频| 丁香色综合| 182TV大香蕉| 激情婷婷网| 婷婷开心久久| 五月婷婷综合天天操| 婷婷五月天论坛| 国产精产国品一二三在观看| 99re这里只有精品视频6| 久热这里只有| www.激情.com.| 精品久久99| 天天射美女| 激情六月丁香| 欧美日本国产欧美日本韩国99| 色色亚洲| 久久精品夜色噜噜亚洲a∨| 五月丁香六月玩女人| 九九九九九九九九九九九九九国产精品| 色99欧洲色19| 九九艹女| 欧美激情-区二区三区| 伊人五月婷| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 六月丁香网| 六月丁香啪| www.久热| 婷婷色女| 狠狠色综合网| 亚州精品色情在线观看| 免费视频无码| 丁香婷婷五月激情综合| 九九综合久久| 国产婷婷久久| 91成人性爱视频| 97久操| 五月天婷婷久久视频| 色欧美日| 五月天激情小说| 99综合自拍| 亚洲成人av在线| 久久激情五月婷婷| 丁香九月激情| 亚洲激情亚洲激情| 中文字幕在线日亚州9| 五月丁香久久综合| 中文人妻AV久久人妻18| 五月丁香六月婷婷亚洲激情综合| 国产一二区爆乳_1国产日韩一区二区三-成人AV | 开心日韩丁香婷婷五月| 无码人妻AV久久久一区二区三区| 天天干,噜噜色,狠狠色| 艳妇野外情欲放荡HD| 色色婷婷综合网| 91九色PORNY大屁股| 婷婷丁香五月综合激情视频| 狠狠久久婷| 激情五月天色播| 九热久| 色综合九九| 五月婷在线观看| 丁香五月手机在线| 5月婷婷6月丁香aV| 色五月婷婷777| 欧美日韩aaaa| 艹天天射| 91avse| www.久久99| av九九| 爱的综合网| 天天色凹凸| 五月欧美丁香在线观看| 强伦轩人妻一区二区电影| 色综合区| 久久婷婷成人视频| 香蕉人妻AV久久久久天天| www五月天激情com| 99视频在线观看视频| 色色色五月婷| 婷婷性爱| 中文字幕丰满孑伦无码专区| 久久这里只有国产视频| 久久人操-久草婷婷-成人AV| 婷婷涩涩五月天| 9l视频自拍9l九色成人| 五月天激情视频| 99性感视频| 婷婷伊人綜合| 婷婷综合色| 久久婷婷六月| 激情小说色五月| 色婷婷久久综合中文久久一本| 99狠狠| 婷婷色五月天在线| 激情婷婷丁香五月| 国产高清视频91九九九久久久| 色婷婷丁香五月| 狠狠操狠狠爱| 无码激情AAAAA片-区区| 丁香五月另类小说| 91色涩| 操一区| 操一操| 婷婷色在线播放| 婷婷丁香人妻天天爽| 五月激情婷婷色| 色 噜噜 九月 婷婷| 国产成人高清| 婷婷97狠狠干| 无码AV大香线蕉伊人| 亚洲色夜| 琪琪理论片| 五月婷婷激情在线| 婷婷九月综合| 99热国内| 五月激情久久| 亚洲综合久| 五月夜丁香| 久久五月天免费网站| 99色婷婷视频| 五月天婷婷丁香视频| A1片久久| 激情五月天电影| 思思99热这里只有精品6| 色婷婷四色| 成人电影一区| 天天操夜夜玩!| 狠狠综合色网| 久草热在线视频| 欧美婷婷五月| 日本啪啪网| BBWCUCKOLD精品熟妇| 亚洲六月色| 婷婷久久大香蕉| 婷婷五月欧美综合| 色欲久久久久久综合网综合网| 综合亚洲色色| 亚洲成人av中文| 国产成人av在线播放| 五月天婷婷色播| 久久久久婷| 五月丁香大香蕉| 色综合久久88色综合天天| 亚洲无码播放| 五月天丁香婷婷网| 啪啪 综合网| 五月综亚洲| www激情网站| 五月天激情婷婷| 99爱在线免费视频| 六月亚洲婷婷6月中文字幕| 九九99热精品| 日韩1区2区| 五月婷婷亞洲中文| 五月丁香色色网| 国内自拍97在线| 久久婷五月婷| www.激情五月天com| 超碰93在线观看| 99精品偷自拍| 色婷婷激情| 69激情小说| 综激情网| 久久无码成人| 四虎成人精品永久免费AV九九| 五月丁香婷婷啪啪综合网| 99热综合在线| 色婷婷五月综合激情中文字幕| 五月婷婷久久久| 色情五月天A片| 久热欧美| 丁香六月综合| 婷婷丁香熟妇综合网| 婷婷狠狠操| 五月丁香激情五月天| 婷婷色情五月| 国产精品a无线| 熟女网站久久| 99热最新网址| 婷婷啪啪| 毛片蕉地一二| 精品国产AV色一区二区深夜久久| 狠狠干狠狠干| 国产一级婬片毛片| 九九青青草成人| 4438全国最大视频成人网站在线观看| 99久久网站| 最新va在线播放| 成人婷婷五月| 久久久久久久久久8888| 4438全国最大视频成人网站在线观看| 成人精品在线| av在线免费网站| 热久久国产视频| 九九久久五月天| 色约约视频一区二区三区四区五区| 九九色色| 婷婷色在线视频| 婷婷亚洲五月色综合| 99er日韩| 亚洲AV无码一区二| 中日韩美欧成人一区二区精品在线| 婷婷五月天激情网| 无码任你操| 婷婷色5月天在线。| 色婷婷亚洲| 伊人喵咪a V| 色狠狠综合| 婷婷综合视频| 色婷婷色五月综合| 丁香五月婷婷啪| 精品99在线| 97婷婷五月丁香| 久久久GOGO无码啪啪艺术| 色热久| 色婷婷久综合久久一本国产AV| 六月色婷婷欧美| 婷婷无码视频| 亚洲黄色av网站| av在线播放网站| 天天草天天爽| 五月色婷婷影院| 中文在线视频久1| www.狠狠色.com| 日本三级大片| 五月天激情网址| 婷婷激情六月中文| 国外亚洲成AV人片在线观看| 超碰色综合| 五月丁香六月综合激情无码软件亮点| 狠狠va| 狠狠干综合| 亚洲婷婷久久综合| 综合久久十| 成人中文网| AA丁香综合激情| 99热国产这里只有精品| 猫咪伊人久久| 婷婷激情综合| 欧美人人草| 天天天天天天天操| 五月色丁香婷婷中文字幕| 激情五月天综合网站网站网站| 午夜色婷婷| 大香蕉人人网| 婷婷丁香六月天激情四射网| 在线观看免费人成视频无码| 婷婷社区五月天| 色综合久久44| 99精品视频网| 九九无码视屏| www,色中色| 国产裸舞福利资源在线视频| 日本色道视频网站| 色婷婷五月综合在线| 色婷综合| 无码碰碰| 国产五月视频| 国产成人精品亚洲线观看| 亚洲色视频| 伊人久久大香网| 伊人玖玖婷婷| 丁香五月天堂| 激情五月狠狠| 日日操,夜夜爽| 色九月激情综合网| 全网最新网黄大秀直播高清,主播国产录屏在线 | 少妇AB又爽又紧无码网站| 丁香五月偷拍| 色婷婷久久| 午夜成人天堂久久无码日韩久久| 五月亭亭网成人在线视频| 26uuu国产激情视频| 久久久99精品| 色五月视频无码播放| 色亚洲视频| 丁香五月综合激情久久潮喷| 天天综合网、天天综合色| 国产欧美第五十五页| www.99热精品| 97干在线看| 六月丁香五月婷婷| 婷婷六月啪啪| 日日操夜夜爽| 九九精品热| www.夜夜操.com| 可以免费观看的AV| 亚洲AV成人在线| 久久婷婷六月综合综合| 国产激情综合| 久久久久久人妻| 中文字幕网伦射乱中文| 在线观看国产高清视频免费网站| 精品一二三区久久AAA片| 一本大道熟女人妻中文字幕在线| 男男野外做爰全过程69| 91精品国产综合久久久不卡电影| 变态 另类 在线 | 99热主页日本| 日韩成人av在线| 欧美在线视频99| 97色色色色色色色| 777久久精品| 丁香婷婷人妻综合网| 亚洲久久婷婷丁香五月天| 久久99色色| 久久 视频这里只有精总| 丁香五月天在线| 开心深爱激情网| 99爱视频| 婷婷午夜精品久久久| 丁香六月婷婷综合| 丁香五月天之婷婷影院| 激情五月婷婷| 国产69精品久久久久999小说| 岛国在线观看91| 欧美精品狠狠色丁香婷婷| 亚洲色图啪啪| 婷婷六月综合基地| 色七七九九| www久| 无码一区二区日韩| 日韩欧美四五区| 五月丁香六月婷婷亚洲| 91色情播放| 伊人婷婷五月天| 黄网免费观看| 久久五月天综合| 欧美交换配乱吟粗大25P| 综合六月久久| 激情超碰网| 久久综合色五月| 激情久久综合| 蜘蛛女免费观看完整版高清电影 | 狠狠色狠狠干| 婷婷色色播五月天| 洗浴中心操B视频| 99精品免费| 一区二区成人电影| 婷婷五月天激情网| 亚洲网在线观看| 成人 AV播放| 国产激情在线| 日韩欧美五月丁综合| 婷婷五六日| 久久欧洲综合网| 丁香五月人妻| 色综合九九| 国内外色色色色色成人视频| 五月婷婷综合激情小说| 婷婷色色丁香| 内射综合网| 狠狠色五月激情| 玖久精品视频9| 99视频久久| 九九99精品视频在线观看| 极品少妇高潮啪啪AV无码| 99re资源在线视频导航| 狠狠色丁香久久婷婷综合五月| 三级三久久线久久99久目本WW| 欧洲激情五月天婷婷| www.狠狠色.com| 丁香五月第九色| 草逼大片| 久久五月激情综合| 久操热| 丁香五月天91| 狠狠色噜噜狠狠| 色热久资源| 丁香欧美| 婷婷五月色情| 激情综合网激情五月天| 成人五月丁香花| 六月婷婷网| 天天曰夜夜爽| 麻豆五月丁香婷婷| 婷婷五月,偷窥偷拍网| 深爱激情五月天| 97五月婷| 五月丁香色综合| 五月丁香久久网| 五月天婷婷中文字幕在线播放| 激情亚洲婷婷| 免费精品99| 五月丁香花激情啪啪网| 日韩综合网络男女香蕉a片| 人人人人人人人人人草| 丁香久久| 五月丁香婷婷成人网| 日木WWW视频| 六月婷婷色色色| 思思99精品视频| 激情综合色婷婷六月天| 五月婷婷性爱| 九九综合九| 狠狠色色综合| 婷婷五月天777| 97色色综合| 五月婷婷成人| 三日本无码| 91热久久| 亚洲、热| 99热最新精品| AA片在线观看视频在线播放| 色综合香蕉视频| 婷婷五月丁香六月伊人网| 亚洲综合丁香五月天| 91超级碰| 亚洲激情四射色| 91碰碰视频| 九九操综合网| 九月激情综合| 国产乱人偷精品人妻A片| 99精品高潮| 欧美丁香六月在线观看视频| 五月丁香天堂网| 五月天婷婷基地| 亚洲无码免费看| 五月婷婷干干干| 天天做天天爱综合| 99久热| 丁香五月激情五月色综合| 综合色播| 婷婷.com| 五月婷婷色五月| 另类亚洲电影| 性色欲情 网站| 橾逼网| 91一起操| Www.狠狠| 久色姿源| 99热综合色图| 99人妻碰碰久久久禁片| AV操逼网| 狠狠五月天婷婷激情网。| 91丨九色丨43老版熟女| 色操综合| 丁香五月网站| 五月天亭亭俺也| 婷婷久久综合| 97资源碰碰在线| 丁香五月人妻熟女| 五月色婷| 91丁香色五月| 激情五月黄色小说| 亚洲va国产va天堂va综合va| 思思久久99热只有频精品66| 久久激情天堂| 人妻操操色| 狠狠色色| 久久综合综合综合| 开心深爱五月天| 天天综合色丁香| 五月婷婷啪啪啪啪| 操操啪| 婷婷六月丁香五月| 中文毛片无遮挡高潮免费| 91丨九色丨白浆| 九九热视频免费| www.狠狠操| 免费看无码视频A级| 五月天婷婷丁香视频| 丁香五月久久| 青青色com久久| 另类婷婷丁香| 久婷五月| 密视AV综合在线| 五月婷婷六月爱| 综合网色| 色很久综合| 亭亭色天香| 91精品综合久久久久久五月丁香| 热婷婷在线视频| 色狠狠六月| 另类视频在线| 狠狠色婷婷7777久综合| 五月婷婷综合色啪首页| 狠狠狠狠狠狠狠狠| 玖玖爱导航| 五月丁香六月婷婷在线播放| 99热8| 九九热99视频在线| 有哪些A片网站| 青草视频在线观看视频| 超碰九九热| 天天日天天干天天爽| 成人中文网| 狠狠色丁香久久久婷| 婷婷九月在线| 婷婷色资源| 五月天婷婷在线啪啪视频| 99熟女| 偷拍九九五月丁香婷婷| 欧美激情五月| 天天爽天天| 久久久18| 久久色9| 91久久人人操| 日日射天天射|