تُعدّ معظم خطوط معالجة إعادة بناء الشبكة العصبية (connectome) الحديثة ذات المستوى الرفيع مكونة من خطوتين رئيسيتين: التجزئة الأولية القائمة على البكسل مع توقع الارتباط (affinity prediction) وتحويل واترشيد (watershed transform)، ثم التجزئة المُحسَّنة من خلال دمج المناطق المُجزَّأة بشكل مفرط. تعتمد هذه الطرق فقط على السياق المحلي، وغالبًا ما تكون غير مُهتمة بالبيولوجيا الكامنة وراء البنية العصبية. وبما أن أخطاء الدمج القليلة يمكن أن تؤدي إلى دمج غير صحيح لعمليات عصبية متعددة، فإن هذه الخوارزميات تُعدّّل حاليًا لصالح التجزئة المفرطة، مما يُنتج كمًّا كبيرًا من أعمال المراجعة الدقيقة (proofreading) المكلفة. نقترح إضافة خطوة ثالثة إلى خطوط معالجة إعادة بناء الشبكة العصبية، تهدف إلى تحسين التجزئة المفرطة باستخدام كلاً من السياق المحلي والسياق العالمي، مع التركيز على الالتزام بالبيولوجيا الكامنة. نبدأ باستخراج رسم بياني (graph) من التجزئة المدخلة، بحيث تمثل العقد التسميات المُقسَّمة، وتمثّل الحواف إمكانية حدوث أخطاء في التقسيم داخل التجزئة المفرطة. ولزيادة كفاءة المعالجة وتمكين إعادة بناء على نطاق واسع، نستخدم قيود هندسية مستوحاة من البيولوجيا، مبنية على شكل الخلايا العصبية، لتقليل عدد العقد والحواف. ثم، يستخدم شبكتان عصبيتان تعلّمًا لتمثيل أشكال الخلايا العصبية، مما يُسهم في تحسين عملية بناء الرسم البياني. وأخيرًا، نعيد صياغة مشكلة دمج المناطق كمشكلة تقسيم رسم بياني (graph partitioning) للاستفادة من السياق العالمي. ونُظهر أداءً مُبهرًا لنهجنا على أربع مجموعات بيانات واقعية من مشاريع الشبكة العصبية، مع تحقيق متوسط تحسن في مقياس "الاختلاف المعلوماتي" (Variation of Information) بنسبة 21.3٪.