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
婷婷五月天论坛| 99er这里只有精品| 综合丁香婷婷五月天| 深爱婷婷基地| 欧美婷婷色五月| 婷婷亚洲色| 激情丁香五月天| 99re免费精品视频| 久久久婷婷| 久久人妻熟女一区二区| av线电影| 亚洲性爱干干| 日日夜夜天天| 99热免费精品| 色在线免费观看| 《久久综合九色综合97婷婷| 亭亭丁香久久五月| 五月天狠狠干| 国产精品电影| 天堂美国久久| 丁香六月婷婷激情综合| 色五月视频无码播放| 五月天综合图片| 色丁香五月天| 国产精品成av人在线视午夜片| 婷婷五月色惰| 丁香五月婷婷激情123| 色五月女| 激情婷婷丁香| 99亚洲视频| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 婷婷激情小说| 婷婷五月色天| www.精品久9| 色婷婷婷婷| 色视五月天婷婷| 99热这里有精品| 色播五月婷婷| 香蕉大综综综合久久| 婷婷五月丁香六月伊人网| 九九亚洲视频| 亚洲亚洲人成综合网络| 97人人射| 久久99精品久久只有精品| 日日.c| 操97在线观看| 久久网日本| 激情婷婷狠狠干| 热99精品视频五月| 色婷插| 五月丁香啪综合| 婷婷综合成人五月天| 丁香婷婷激情五月天无毒不卡蜜桃| 久久婷婷六月综合综合| 色婷婷影| 丁香五月天网友自拍啪啪啪视频| 九九热在线精品视频| 91久久免费| 色婷婷成人在线| 九九这里有精品| 97精品人人A片免费看| 性视频久久| 欧美激情综合色综合色| 五月天激情婷婷| 婷婷97碰碰| 26uuu另类| www.激情五月| 综合色五月| 五月婷婷激情综合视频| 无码免费人妻A片AAA毛片西瓜| 日本乱论99| 色综合久久88色综合中文字幕| 色综合九九色综合88| 久久久91精品| 六月丁香激情最新更新| 97精品综合久久| 97黑人精品区| 丁香五月Av| 国产欧美日韩综合精品一区二区| 综合久久婷婷| 色五月天激情| 伊人婷婷大香蕉| 亚洲色优| 久久嘟嘟丁香| 丁香六月婷婷五月婷婷| 色原狠狠综合| 丁香五月天论坛| 国产成人一区二区三区在线观看| 99惹| 亚洲精品无码一区二区| xxxx五月| 国内外色色色色色成人视频| 欧美丁香婷婷天天操| 五月丁香久久| 91婷婷搞| 日韩人妻在线观看| 久久资源网五月婷| 99热丁香| 婷婷丁香五月色偷偷| 国产精品婷婷午夜在线观看| 亚洲AV成人无码精品| 午夜爱爱爱成人| 九九99久久| 97操碰视频| 精品99在线观看| 色噜噜丁香| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 丁香五月天婷婷激情| 亚洲蜜桃精久久久久久久久久久久| 五月色婷婷影院| 99人妻碰碰碰久久久久视| 天堂va久久久噜噜噜久久Va| 五月综合激情视频在线| 久久大香蕉视频| 天天干天天日天天操| 精品AV无码超碰| 91艹人| 色播综合| 激情婷婷五月女| 97人人射| tingtingjiqingwuyue| 欧美日韩99| 99免费热视频在线| 五月丁香激情啪啪| 天天日夜夜高潮| 99激情视频| 色综久久AV| 伊人久久婷婷| 这里只有精品99视频| 五月婷婷丁香六月| 婷婷五月天成人基地| 国产精品国产成人国产三级| 丁香婷婷人妻综合网| 黑人糟蹋人妻HD中文字幕| 五月色亭丁香| 超碰在线日夜| 黄色AAAAA| 日本在线视频看se99| 狠狠色综合网| 国产精品国产| 日本色色色| 婷婷色女| 91午夜婷婷狠狠久久综合9色| 色性五月天| 九九伦子片| 色综合天天综合成人网| 超碰人人射| 啪啪一区| 五月婷在线色视频| 欧美超碰人人| 成人看片网站| 色五月婷婷啪啪五月| 丁香深五月婷婷| 国产欧洲欧洲精品久久| 欧美婷婷六月丁香综合色| 天天肏夜夜肏| 色婷婷丁香五月天| 激情六月丁香| 五月天网址在线刘玥| 日韩欧美四五区| 美女久久天堂| 亚洲综合1024| 激情综合网五月在线播放| 五月丁香激情啪啪| 五月婷婷之综合激情| 日韩免费99| 日韩人妻在线观看| site:esunnet.com| 色五月激情综合| 天天操人人干| 婷婷五月天偷拍| 影音先锋五月天婷婷丁香在线观看| 九九综合| 六月丁香婷婷网| www.久操| 激情五月婷婷| 九九精品网| 91婷婷色| www婷婷色| 色婷婷狠狠| 在线不卡视频| 激情婷婷黄色五月| 婷婷五月天av| 久久久人妻| 色五月婷婷在线| www.婷婷五月| 激情5月婷婷| 亚洲第一成人无码A片| 五月天婷婷色色| 一级操逼内射在线视频| 噜综合| 色综合网页| a在线观看| www.狠狠狠.com| 色色九九五月天 | 99re热久久| 美女xx不卡| 79精品视频在线观看,| 五月丁香六月婷婷婷婷| 99色综合| 大香蕉欧美在线| 八戒青柠影视剧在线观看| 五月丁香六月婷婷婷婷| 天天草人人摸| 五月丁香综合影院| 色日本颜射| 97婷婷丁香| 思思热在线精品视频网站| Av在线不卡一区| 久久曰曰| 久久婷五月婷| 天天色天天日| 伊人色综在线| 日韩抽插操逼| 久久思思99| 97久久超碰| 婷婷成人五月天成人文学小说| 国产伦理精品高清在线观看网站一区二区| 丁香五月综合久久| 丁香五月婷婷老师网站| www.色婷婷| 天天天在线观看| 午夜青草资源| 性色欲情 网站| 五月久久| 久久综合26p| 日韩在线视频中文字幕| 日本狠狠干| 欧美久久婷婷| a级毛片一区二区免费视频| 日本三级韩三级99久久| EEUSS鲁片一区二区三区| 99久久99热| 丁香六月激情| 丁香五月婷婷欧美激情-中文天堂最新版在线观看 | 久久色这里只有精品| 六月色日韩| 五月天天综合| 97色啪| 色五月天 丁香| 91久久久久久| 日日夜夜干| 丁香五月婷婷综合精品素人| 夜夜骑夜夜撸| 涩涩网五月天| 色五月天成人在线| 综合狠狠五月婷婷| 热久久这里只有三级视频| 五月天综合| 久久婷综合| 色99网站| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 五月丁香综合啪啪| 色吧五月| 婷婷综合五月| 九九色热| 天天日天天摸| 久久久久久久久久8888| 天天日天天插| 天天干电影| 精品人妻伦九区久久AAA片| 99re66热这里只有精品| 99啪啪视频| 99久久精品国产色欲| 亚洲中字AV电影在线网站| 婷婷在线免费| 三级黄网站| 99久久五月婷婷| 激情婷婷综合五月少妇| 99热99热不卡| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 99精品偷自拍| 激情综合五月| 五月丁香婷婷综合| 涩丁香| 成人无码精品1区2区3区免费看| 99亚洲视频| 超碰大香蕉网| 99精品在线观看| 亚洲熟女色| 五月天激情综合| 99这里| 丁香婷婷六月男男| 国产精品色婷婷99久久精品| 激情五月天com| 一级黄色尤物综合视频手机在线观看| 色五月激情婷婷| 激情五月天伊人影院| 亚洲色视频| www.五月丁香av| 亚洲激情综合免费| 丁香六月婷| 丁香五月婷婷啪| 色五月综合激情| 婷婷激情人妻| 天天日天天插| 大香蕉色婷婷伊人在线| 日韩精品在线观看9| 91碰操| 久久区区一二三av| 丁香婷婷网| 国在线激情网| 色五月婷婷丁香婷婷| 99热这里只有精品 搜| 婷婷五亚洲| 激情丁香五月天| 日韩精品一区二区亚洲AV观看 | 葵花AV在线| 超碰京东热av男人的天堂| 欧美操我| site:pzdcoin.com| 色综合久久久久久久久五月| 人妻久久久久久| 噜噜干日本| 婷婷综合| 免费视频WWW在线观看网站| 五月天婷婷狂暴白浆| 丁香五月ⅤA久久久| 玖玖婷婷色五月| 超碰av天堂| 日本色99| 深爱激情九九五月天 | 精品九九婷婷| 婷婷五月在线免费| 亚洲丁香五月在线观看| 站长推荐无码播放| 日本少妇裸体做爰高潮片 | 九九伊人网| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 亚洲无AV在线中文字幕 | se色综合网| 色综合综合色| 久久99久久99精品免观看软件| 亚洲五月天婷婷综合| 亚洲色婷婷五月天| 人妻内射一区二区在线视频| 久婷首页| 五月婷婷成人w| 激情五月,婷婷五月,丁香五月| 久热这里| 丁香五月av| 五月天小说激情| 九九AV在线| 这里只精品| 五月天激情av| 人人爱人人草| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 九月丁香很很色| 99资源在线视频| 五月丁香| 激情五月婷婷综合| 97色吧| 亚洲国产色婷婷| 天天se在线视频| 五月丁香拍拍激情综合| 丁香婷五月天开心六月| 在线观看免费视频| 热五月婷婷| 夜夜操少妇| 五月丁香婷婷综合久久| 亚洲欧洲美女在线观| 色情五月综合婷婷| 婷婷五月天开心网| 中文字幕中文有码在线| 一级片sese片.COM| 免费视频无码| 婷婷五月久久| 激情丁香婷婷六月天| 国产精品久久在线观看技巧| www.色综合.com| 久久婷婷一级片| 8区视频在线| 丁香五月23111| 五月丁香激情综合| 亚洲另类av| 五月婷婷免费视频| 在线另类| 99热免费精品| 婷婷五月天电影网| 依人大香蕉在钱1| 日本熟女视频一区二区| 123草逼网| 色婷婷精| 婷婷夜夜夜夜| 色色五月天激情| 婷婷社区五月天| 精品亚洲国产成AV人片传媒| 天天爽人人综合免费7799| 丁香六月在线| 久久丁香婷| 午夜美女人啪最红院| 久99视频在线观看| 婷婷色操| 激情五月天网| 五月天婷婷激情四射综合| 无码G高清天| 91久操| 亚洲熟女乱色综合亚洲网站| 2025色婷婷| 五月婷三级片| 久久五月婷婷开心网| 99久久99九九99九九九| 色五月激情视频在线综合| 日本人人xxx| 影音 五月 婷婷 久久| 久久综合激情五月天| 欧美丁香五月97色| 91婷婷色五月| 国産精品| 五月婷婷五月天| 亚洲婷婷欧美婷婷| 久久香蕉婷婷| 五月天播播中文字幕| 亚洲成人AV一区在线观看| 国产熟女日日骚五月丁香爱| 五月丁香色停停啪啪啪| 五月婷婷视频ab| 中文中文在线| 欧美婷| 大香蕉220| 五月丁香va| 久久丁香五月婷婷| 婷婷丁香五月天欧美| 色狠狠色| 亚洲综合五月天综合| 疯狂做受XXXX高潮A片动画| 99色最新在线视频| 无码人妻丰满熟妇奶水区码| 九九九午夜影院成人| 狠狠色综合网| 中文字幕簧片| 99色爱| 99热精这里只有精品| av国产精品| 五月天婷婷色播| 日本欧美成人片AAAA| 狠狠va| 午夜成人片400| 婷婷五月天少妇| 狠狠精品干练久久久无码中文字幕| 夜夜www| 亚洲精品无人区| 高清无码中文字幕aVDV| 91色色色视频| 99视频九九热| 久久久人妻人伦| 女人天堂AV| 草美女在线观看视频在线播放| 538在线精品| 婷婷四色成人综合色视| 免费成片在线观看| 91超级碰碰碰| 丁香六月婷婷高清| 丁香五月婷婷综合激情啪啪啪| 五月丁香欧美综合| www.色综合.com| 依人大香蕉| 熟女乱论网| 香蕉97碰碰碰欧美| 天天干天天干天天操| 91精品综合久久婷婷九色| 超碰九九热| 超碰chaompinm| 伊人久久婷婷| 五月婷婷综合在线观看| 色综合久久综合| 色婷婷狠| 天天 日综合| 无人区码一码二码三码医生系列| 欧州色色| 亚洲综合成人网| 色色日本| 日日爽天天| www91精品| 欧美性丁香色色五月天干干| 天天操天天谢| 亚洲久久日| 97在线碰| xfplayav在线| 欧美在线视频免费播放| 色婷婷影院| A久网| 99在线视频免费| 色婷婷在线视频| 婷婷五月天论坛| 色欧美影院| 狠狠色综合网| 五月婷婷婷丁香播| www.99热国产| 日韩色色一区| 青柠影视免费高清电视剧| 啄木鸟丝袜美女福利视频| 亚洲综合无码| 狠狠色噜噜狠| 久久99久久99精品免视看婷| 夜夜操狠狠操天天操| 99热销国产这里有精品| 九九碰九九爱97| 99久久综合| 9.1综合网| 婷婷伊人欧美| a久久| 成人丁香五月天| 99er这里只有精品视频| 看逼中文字幕| 伊人综合网站| 久久久久激情| 在热视频精品| 丁香五月,开心五月,成人婷婷 | 五月丁香综合激情网| 开心五月丁香综合久久| 99热亚洲| 国产女生爱爱AA| 天天操天天插| 日韩欧美成人片| 婷婷成人丁香色情基地30| 婷婷激情人妻| 欧美日韩国产一二区| 色玖玖| 色色色色色色色色网站| 五月激激网w'w'w| 色人久夂| 91av无码| 99国产精品久久久久久久久久久| 五月婷婷与六月丁香图片激情| 五月婷婷开心六月激情小说| 五月婷丁香花| 99热久草| 丁香五月婷婷欧美成人色图| 极品人妻VIDEOSSS人妻| 色综合色色| 婷婷五月视屏| 色婷五月天网站| aⅤ79成人片| 五月激情综合性爱| 无码碰碰| 久久色情| 亚洲精品视频在线| 亚洲无码yw| 亚洲激情精品| 五月丁香五月激情综合色综合| 丁香五月香蕉| 婷婷色五月大香蕉在线观看| 色色色色色日韩午夜激情| 国产精产国品一二三在观看| 激情www| 国产精品色婷婷99久久精品| 婷婷性爱五月天| 1995年关宝慧版蜘蛛女| 色综合播放| 久久伊人大香蕉| 九九精品re免费视频| 国产偷人爽久久久久久老妇APP | 亚洲五月情| 婷婷狠狠久久| www.婷婷网| 五月天成人综合| 亚洲操B视频| 色欲久久99精品久久久久久| 亚洲色无码A片一区二区麻豆| 播播网色播播| 青青草成人网| 婷婷九月| 99爱视频在线观看这里只有精品| 黄网免费看| 五月天网站免费欧美| 狠婷婷五月| 五月丁香在线偷拍视频| 颜射 精品性爱av| 日本女va| 激情综合网,婷婷| 久久久色婷婷五月天| 久久三级视频| 丁香五月天AV在线| 婷婷丁香六月综合激情站| Av大香蕉| 啪啪婷婷五月天激情| 精品亚洲国产成AV人片传媒 | 婷婷五月情| 青青草tp| 色婷婷电影网| 亚洲激情五月天| 精品久久久人妻| 亭亭五月色男人| 丝袜大香蕉| 五月丁香免费视频| www.五月.com| 色色婷婷丁香| 天天干,天天日| 天天色视频| 婷婷五月综合在线| 日日操夜夜撸| 亚洲视频在线观看| 日日噜噜夜夜狠狠久久丁香五月| yjzz亚洲国产| 激情国产五月| 999九九九久久久99HD| 日韩AV中文字幕在线| 婷婷成人在线| 色婷婷五月色| 性爱动图国产麻豆一区二区三区| 五月天六月天| 色狠狠综合| 久久久精品色| 极品另类| 熟女激情五月天| 在线婷婷| 五月丁香在线观看| 四LLL少妇BBBB槡BBBB| 97爱艹婷婷开心丁香激情综合| 亞洲自怕| 五月丁香婷婷综合视频| 色五月激情五月| 中日韩美欧成人一区二区精品在线| 万月丁香狠狠爱| 久久九⑨| 在线中文亚洲| 久久视这里只有精品| 少妇激情五月婷婷| 五月成人综合| 九九99九九99九九99视频网| 丁香六月激情| 九久久婷婷| 久久久精品99| 91五月天| 九玖欧洲亚洲| 激情五月婷黄版| 亚州操人在线视频| 爱99干99| 在线资源av-超碰中文在线-成人AV| 91精品久久久久| 丁香五月婷婷六月婷| 丁香五月婷婷骚视屏| 激情五月六月婷婷| 丁香五月影院| 色婷婷综合久久| 九9九9无码| 色婷婷丁香网| 色婷婷激情五月天| 久久久com| 9久久狠狠的| 日韩啪啪网| www.婷婷| 十区AV| 日本女天天爽| 夜夜夜夜夜操| 激情五月色婷婷| 婷婷字幕在线| 丁香久久| 欧州色色| 天天日天天插| 美国天天操无码| 俺来也综合网精品一区| 欧美va欧美va差| 久久婷婷激情| 99热10在线高清播放| 嫩草视频观看| 婷婷一本和五月丁香| 激情五月丁香婷婷| 伊人五月天| 久久婷中文字幕| 99色最新在线视频| 亭亭玉月丁香| 中国丰满熟女A片免费观| 激情九九六月激情免费视频| 五月婷婷偷| 亚洲天堂aaaa| 嫩BBB搡BBBB榛BBBB| 91日韩美女被插视频| 丁香五月综合福利视频导航| 欧美在线97| 色九四色| 欧美噜噜免费观看| 久久激情天堂| 国产偷人爽久久久久久老妇APP | 99热e| 久9热视频在线| 99热伊人| 99成人在线观看| 极品少妇XXXX精品少妇偷拍| 激情综合网五月| 婷婷五月天男人影院色色网| 天天日天天摸| 久久9热| 国产精品A片| 亚洲操B| av无码电影| 丁香五月,激情五月,深爱五月| 五月停亭六月,六月停亭的英语| 婷婷九月久久| 国产五月天激情小说| 狠狠香蕉| 婷婷娌伦网| 日本欧美国产| 成人视频网| 操逼毛片国语对白| 五月丁香六月激情在线| 成人五月丁香花| 五月婷婷开心亚洲无| 天堂综合久久| 久久久久久久久久久久久久久久久精典| 亚洲性爱干干| 丁香五月激情综合| 成人AV中文字幕| 热热久久99| 成人国产欧美大片一区| 亚洲色色色色色色色色色| 少妇人妻人伦A片| 婷久久久| 亚洲精品五月| 欧美性色A片免费免费观看的| 久久激情视频| 爽极品色| 欧美色色干| 久久九九免费视频| 婷婷六月成人| 丁香六月亚洲综合| 老美AA片| WWW.桔色成人.COM入口| 婷婷五月激情综合| 五月天日日操夜夜操 | 亚洲成片在线观看| 99热这里有精力| 99在线视频观看| 五月天伊人日日噜影片AV| 色色色热| 中文字幕+乱码+中文字幕在线观看| 久久综合九九| 九九AV在线| 色天堂在线| 吊色AV男人的天堂| 天天干,天天日| 久久久精品99| 九热视频| bukadeavzaixian| 丁香六月婷婷综合欧美| 亚洲情欲久久| 这里精品| 97香蕉人人在线观看| 五月婷婷欧美激情| AV片在线观看| 综合激情网激情五月。| 97超碰色| 色欲色香综合网| 99人人看| 五月婷婷激情中文字幕| 婷婷丁香五月91| 免费国产视频| 午夜激情综合| 丁香五月成人社区| 五月婷婷在线视频免费观看| 狠狠操狠狠| 丁香六月婷婷综合激情欧美| 五月天婷婷影院| AV美美午夜| 中日韩美欧成人一区二区精品在线| 日日射天天射| 丁香婷婷综合影院| 久久激情五月婷婷| 国产精品视频免费看| 激情综合五月天| 丁香久久| 嫩BBB搡BBBB榛BBBB| www.五月婷婷久久.com| 丁香五月熟女| 五月激情婷婷播播开心| 五月丁香啪啪综合| 99这里只有精品| 五月丁香 啪啪啪| 色开心五月丁香| 超碰人人操人人干| 深爱五月天婷综合| 久久久五月天婷婷成人网| 狼人狠狠操| 第2色五月婷| 天天草女人| 日韩无码色色| 日本三级日本三级99| 婷婷成人五月天| 婷婷色五月偷拍| www.丁香六月婷婷久久天堂影院.con| 久久婷婷六月综合| 超碰在线精品| 午夜性做爰电影| 五月婷婷自拍| 秋霞成人毛片一级A片| www.色99| 99热这里只有精品在线播放| 98色花堂98t.R| 狠狠色成人影片| 日日噜狠狠色综合久久| 99热精品超碰| 99亚洲精品视频| 久热这里精品免费| 99日在线观看视频| 亚洲男女激情| 五月天色网站| 成人 视频免费观看网站| 99热这里是精品| 这里只有精品免费观看网占| 99熟女视频| www.色婷婷| 久久九九大香蕉电院| 国产黄色av| 五月丁香六月在线| 色综合综合网| 亚洲最大在线| 中国无码av| 91久久五月天| 国产裸舞福利资源在线视频| 激情超碰网| 久久伊人五月天| av网站中文| 五月丁香琪琪| 色狠狠色综合久久久绯色aⅴ影视| 久热这里| 天天人人天天爽| 日本在线wwww| 天天日天天插| 五月天开心婷婷激情网站| 激情婷婷丁香五月天小说| 色啪久 | 亚洲第一第二网站| 日韩99色99| 综合AV在线| 色综合激情图区| 五月色网| 99热99干| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 中文字幕激情综合| 六月婷色六月| 午夜婷婷丁香| 婷婷五月天午夜激情影院| 99久久国产宗和精品1上映| 4399在线日本A片| 狠狠色 综合色区| 婷婷五月激情四月综合| 加勒比日本一区二区三区| 岛国在线观看91| 另类视频五月天| 色欲久久久久久综合网综合网| 久久在线人妻| 五月天天天操天天爽夜夜操| 婷婷五月天黄色网址| 97超级碰人人| 777影视理论片大全在线观看| 秋霞成人毛片一级A片| 99精品大片| 人人射av| 色婷婷色五月另类综合| 美女黄频aⅴ视频| 97在线视频 欧美| 色婷婷丁香花五月天| 久热这里| 亚洲AV网站| 可以免费观看的AV| AV五月婷婷露脸| 激情婷婷狠狠干| 色婷婷中文字母五月丁香| 色婷婷www| 海外网站专业操老外| 97涩婷婷| 亚洲激情四射色| 影音先锋女人AA鲁色资源| 激情五月综合| 丁香伊人网| 天天日天天爽| 五月色综合网| 999热在线视频| 丁香五月天激情综合网| 99er6| 欧美群妇大交乱婬网| 五月婷婷六月天| 9l视频自拍9l九色9l成人| 五月天大香蕉AV| 国产黄色大片| 伊人大香蕉爱聚| 欧美A级成人婬片免费看理论| 国产一区二区三区影院| 久久XX| 高清无码网址| 99九九视频| 99思思| 91综合在线| 久热91| 日本九九九九| 91九色精品熟女内射| 色碰碰| 碰碰女| 变态另类9| 97丁香婷婷| 五月婷婷激情| 色啪影院| 久久久婷| 五月天综合| 亚洲色五月| 97干在线| 白人荫道BBWBBB大荫道| 中国丰满熟女A片免费观| 国产高潮A片羞羞视频涩涩| 国产精品18久久久| 亚洲欧洲中文日韩久久AV乱码| 午夜少妇在线观看视频| 国产精品18久久久| 国外亚洲成AV人片在线观看| 亚洲午夜成人av电影网| 牛牛澡牛牛爽| av不卡网站| 国产高清视频91九九九久久久| 亚洲中文AV网站| 五月天久久激情| 天天肏天天肏天天肏| 色五月五月婷婷| 亚洲AV成人精品日韩在线播放| 超碰精品在线| 深爱五月激情综合| 亚洲看av的网站| 。久久久久久久久久久久久久人妻| 丁香婷在线| 99久在线精品99re8| 丁香综合婷婷五月天| 婷婷射图| 五月婷婷色五月| 疯狂做受XXXX高潮A片| 91在线操逼视频| 成人视频免费观看高清完整版在线观看| 欧美日本97| 久久电影4399| 婷婷五月天最新综合你懂的| 五月婷婷综合色啪| 另类视频丁香五月| 99成人在线观看| 婷婷丁香熟妇综合网| 日本久久99| 色婷婷很很丝袜| 欧美性交一区二区三区| 婷婷丁香色情| 狠狠操.com| 六月丁香婷婷在线波多| 天天日天天草| 狠狠操综合| 性做爰1一7伦| 婷婷94s| 丁香五月手机在线| 丁香五月婷婷婷婷欧美综合| 久久在线人妻| 欧美色频| 天天爽天天操| 日本婷婷激情四射中文字幕在线观看| 欧美激情久| 久久丝丝热| 亚洲人妻一区二区| 激情五月天婷婷在线网址发给我| 中文无码婷婷| 成人综合网站| 黄色91在线观看| 99re66热这里只有精品| 99福利视频| www,超碰| 99无码视频| 婷婷丁香五月天操逼| 婷婷丁香97| 逼逼AV| h在线看免费版在线看| 五月婷婷开心网| 99欧美热| 精品婷婷| 五月天激情婷婷小说| 91狠狠色丁香| 51精品国自产在线| 99精品女人天堂| 五月婷婷激情四季| ji'qi'luan'ren'lun| 开心激情网五月天| tingtingseav| 天天爱天天做天天日| 丁香婷婷视频一区二区| 色噜噜综合网| 久久人人添人人爽添人人片αV | 久久婷婷五月综合色丁香花| 强伦轩人妻一区二区电影| 六月丁香婷婷网| 99九九视频| 国产精产国品一二三在观看| 一本色道久久88加勒比—| 五月丁香久久久日婷婷久久婷婷日| 99视频这里有精品| 丁香五月激情综合| 婷婷色在线视频| 五月天色导航| 色色五月丁香婷婷| 99@久久@99精品视频| 色情婷婷| 五月丁香婷婷成人网| 婷婷九月| 日本久久人| 五月丁香六月婷婷综合伊人| 丁香五月自拍| 五月丁香综合网| 婷婷的五月天另类视频| 99热99精品| 五月天丁香婷婷久久九| 99欧美| 五月婷婷官网色| 日本不卡高字幕在线2019| 亚欧州精品视频| 婷婷五月天在婷| 99久视频| 国产精品国产| 色情五月天A片| 日日噜噜夜夜狠狠久久丁香五月| 狠狠综合区| 久久机热这里只有| 色色色色色色色色网站| 亚洲色基地| 小视频一区| 五月婷婷在线免费观看| 天堂综合久| 丁香五月激情婷婷| 五月激情视频| 综合AV在线| 五月婷婷综合在线视频小说| 福利视频在线播放| 色狠狠色| 亚洲色婷婷| 狠狠色综合无线观看| 成人五月天在线视频在线观看| 人妻综合网| 99久热精品在线| 天天射夜夜骑| 99在线精品免费视频| 69精品人人人人| 亚洲超碰在线| 99啊精典免费视频| 五月丁六月香av| 丁香婷婷六月| 五月婷婷中文字幕| 国产色色视频| 一本久婷婷综合| 嫩BBB槡BBBB搡BBBB视频| 色色99| 丁香六月啪啪| 久9久9热久热| 久婷久婷激情肉| 99热九九热| 国产首页在线| 五月丁香伊人网| 国产69久久久欧美黑人A片 | 99热这里只有精品最新地址获取| WWW.国产| 天天色情站| 99热这里只有精彩| 伊人久久大香网| 台湾无码A片一区二区| 99玖玖人人| 激情五月天小说| 啪啪啪丁香五月| 伊人色综在线| 日木WWW视频| 丁香五月天欧美| 1000部毛片A片免费观看| 欧美欧盟性爱网| 亚洲视频99| 久久久婷婷| 狠狠爱综合网| 九九AV| 婷婷丁香人妻天天爽| 日本久久天堂| 97人人干人人操| 久久9视频欧美| 武则天精品久久| 99自拍视频网站| 无码人妻激情| 色久女| 91狠狠综合久久| 九九热黄色| 天天干夜夜想| 六月丁香激情综合网| 五月丁香啪啪网| 丁香六月婷婷久久综合八月| 六月婷婷色| 丁香六月天AV| 国产精品国产成人国产三级| 久久久久久草黄色片AV在线观看| 色五月综合网| 五月深爱婷婷| 色噜噜丁香| 26uuuuuuuu国产| 九九精品re免费视频| 五月婷婷五月色| 色婷婷五月在线| 激情综合亚洲| 永久思思热在线| 国产精品第一国产精品| 丁香五月98| 91黄色五月天视频| 99久热这里只有精品| 五月激情射| 亚洲综合网 665566| 九九国产视频| 风流少妇A片一区二区蜜桃| 婷婷射图| 五月天婷婷激情小说电影| 五月婷婷伦理| 婷色天堂| 夜夜操天天干| 婷婷五月色影视先锋| 久久香蕉影院| 亚洲天天免费| 九色成人AV在线| 开心五月婷婷婷美女| 99噜噜| 狠狠操狠狠操AV| 综合在线丁香五月| 爱iii做iiii日日| 日日日日日| 色亚洲无码| 无码激情AAAAA片-区区| 婷婷色欧美激情| 小泽玛利亚视频一区二区| 亚洲永久四色| 激情五月天之六月婷婷| 吉澤明步Av一區二區| 丁香视频| 色婷婷小说| 性爱电影科技贸易有限公司| 99久久婷婷五月| 久9久9热久热| 色播丁香五月婷婷操:屄| 一本色道久久综合狠狠躁一二三| 激情五月天影院| 五月天大香蕉| 性做爰A片免费视频A片直播 | 4399在线日本A片| 免费日韩99| 99在线免费视频播放| 99激情在线| 无码G高清天| 9久久网| 深爱五月天| 婷婷五月天激情在线| 粉嫩av懂色av蜜臀av熟妇| 成人精品视频99在线观看免费| 深爱激情丁香五月| 操一区| 97综合视频在线| 亚洲网视屏| 26UUU精品一区二区Com| 天天干,天天操,天天射| www.婷婷| 五月丁香六月婷婷网| 天天综合情| 丁香花综合永久入口| 成人av在线电影| 我要色综合五月婷婷| 影音先锋偷偷色男人站| 婷婷五月成人| 996er热| 色9色| 91久久电影| 双性美人被调教到喷水A片| 五月激情婷婷播播开心| 99热这里只有在线播放| 久久99jiu9| www色色com| 日日色综合| 这里只精品| 99综合熟女| 色狠狠色噜噜AV天堂五区 | 国产3p露脸普通话对白| 67194中文字幕| 亚洲AAAA网| 色色免费网站| 开心婷婷五月综合| 第五色婷婷| 亚洲热视频在线| 99高级会所久久| 99资源在线视频| 日韩在线观看网址| 综合网色| 色婷婷久综合久久一本国产AV| 国产日批视频免费播放| 光棍影院日韩精品| 爱久久小说下载网| 午夜成人AV在线| 天天操狠狠操| 婷婷四月 成人 狠狠干| 日韩日比视频| 狠狠ri| 天天插天天日| 色五月婷婷五月天| 热99re| 丁香五月婷婷五月天在线| 免费在线a| 久久精品国产精品| 99综合网| 五日激情综合| 五月天夜夜爱夜夜操| 婷婷五月激情四月综合 | 亚洲乱码日产精品BD| 婷婷五月色综合| 99久久久| 久久奄也去色色网站| 另类图片天天影视在线观看| 99小视频在线观看| 黄色录像网点| 丁香五月自拍| 97资源碰碰| 五月天激情久久| 色播婷婷五月天| 丁香五月成人论坛| 超碰人人在线| www.综合久久.com| AV变态另类一区二区| 日本人妻伦在线中文字幕| 色色激情| 丁香 久久| 能直接看的av网站| 日撸夜撸日操| 天天色五月| 丁香五月花婷婷开心| 人人摸人人操人人爽| 狠狠色丁香婷婷五月| 丁香六月婷婷激情| 国产偷人爽久久久久久老妇APP| 五月丁香六月激情在线| 8区视频在线| 99热成人| 亚洲精品大片| 国产婷婷五月天| 艹| 99成人精品六| 狠狠做六月爱婷婷综合aⅴ| 激情婷婷丁香五月天| 99人人精品| 五月婷婷www| 97在线日韩| 欧美婷婷五月天| 五月天综合婷婷| 伊人深爱综合| 99热最新网址| 五月天激情国产综合AV| 无码毛片992367| 色必久悠悠影院| 伍月婷丁香婷| 亚洲色涩视频| 婷婷放心五日爱| 亚洲小视频免费播放| 久久综合中文| 大香蕉五月天婷婷| 久久人操| 亚洲第一成人无码A片| 激情五月天啪啪| 婷婷五月天黄色网址| 日本WWW九九九| 日本丁香久在线| 一本色道久久88加勒比—| 啪啪六月婷婷| 超碰资源在线| 丁香激情四射| 丁香六月啪啪啪| 99精品久久久久久久婷婷| 激情文学久久| 久久激情视频99| 美女亚洲五月丁香| 99成人网站|