Photo de profil
Lajili Mohamed
Chercheur (PhD) & Chef de projet — Pôle R&D, Audensiel

Lajili Mohamed

Docteur en mathématiques appliquées, spécialisé en traitement d’images et intelligence artificielle. Mes travaux portent notamment sur le recalage d’images médicales multimodales, la détection de contours, la segmentation d’images, la détection d’objets, ainsi que le deep learning et le machine learning.

Modélisation mathématique EDP d’ordre élevé Problèmes inverses Analyse numérique Optimisation topologique Gradient topologique Méthodes variationnelles Optimisation Traitement d’images Imagerie cérébrale Vision par ordinateur Apprentissage profond

Contacts

Email
m.lajili@audensiel.com
Affiliation
Lab'Innov - Audensiel
Google Scholar
Profil Scholar

À propos

Je suis docteur en mathématiques appliquées, spécialisé en modélisation pour le traitement d’images, la vision par ordinateur et le deep learning. Ma thèse en cotutelle (Université de Haute-Alsace / ENIT Tunis) a été consacrée au recalage d’images médicales multimodales, avec le développement d’approches variationnelles d’optimisation et de méthodes multi-niveaux non supervisées. Je suis actuellement chercheur et chef de projet au sein du pôle R&D d’Audensiel.

Axes de recherche

  • Recalage d’images médicales multimodales : méthodes robustes pour gérer les variations de contraste et les déformations importantes.
  • Modélisation variationnelle : formulation de fonctionnelles d’énergie, termes de similarité et régularisations pour l’optimisation.
  • Problèmes inverses : reconstruction et estimation de paramètres à partir de données médicales et tomographiques.
  • EDP d’ordre élevé & analyse numérique : schémas numériques, stabilité et résolution efficace.
  • Optimisation topologique : gradient topologique et critères de second ordre pour la conception de termes efficaces.
  • IA pour l’imagerie : deep learning / machine learning pour recalage non supervisé, segmentation et détection d’objets.
  • Optimisation des algorithmes deep learning : parallélisation, distribution de calcul, et accélération des architectures pour l’entraînement et l’inférence.
  • Détection de contours : méthodes multi-échelle et robustes pour l’analyse de structures fines.

Publications sélectionnées

Edge detection from X-ray tomographic data for geometric image registration
DOI ·
Edge sketches for multi-modal image registration based on Blake–Zisserman type energy
DOI
Unsupervised deep learning for geometric feature detection and multilevel-multimodal image registration
DOI
Unsupervised edge detection with a variational energy-driven deep network
DOI
Multimodal image registration based on geometric similarity term
DOI
Advanced models for multi-modal image registration
DOI

Projets

  • Hypérion — Projet de perception visuelle temps réel pour la robotique, combinant acquisition stéréoscopique, détection de contours, segmentation et reconstruction 3D. Le pipeline vise une haute précision et une forte robustesse en conditions dégradées, avec une latence réduite.
  • MLCUT — Plateforme dédiée à la parallélisation des réseaux de neurones sur CPU/GPU, via une interface interactive pour expérimenter différentes stratégies d’optimisation. Elle permet de benchmarker des approches distribuées (threads, multiprocessing, Dask) sur plusieurs tâches de ML.

Enseignement & encadrement

  • Analyse Numérique Matricielle & Analyse Numérique Non Linéaire : préparation et enseignement (cours et TD), 1ère année ingénierie.
  • Projet d’Analyse Numérique : enseignement des travaux pratiques (MATLAB) pour l’application des concepts théoriques, 1ère année ingénierie.
  • Encadrement : supervision de stagiaires de fin d’études (niveau Master et Ingénierie) en environnement R&D.