Die derzeit fortschrittlichsten Pipelines zur Rekonstruktion von Connectomen bestehen aus zwei Hauptphasen: einer initialen pixelbasierten Segmentierung mit Affinitätsvorhersage und Watershed-Transformation sowie einer nachfolgenden Verfeinerung der Segmentierung durch Zusammenführung übersegmentierter Regionen. Diese Verfahren beruhen ausschließlich auf lokalem Kontext und sind typischerweise biologisch indifferent. Da bereits wenige Fehlentscheidungen beim Zusammenfügen zu mehreren falsch verschmolzenen neuronalen Prozessen führen können, werden die Algorithmen derzeit auf Übersegmentierung abgestimmt, was eine erhebliche Belastung durch kostspielige Proofreading-Prozesse verursacht. Wir schlagen einen dritten Schritt für Connectom-Rekonstruktionspipelines vor, um eine Übersegmentierung unter Einbeziehung sowohl lokalen als auch globalen Kontexts zu verfeinern, wobei besonderes Augenmerk auf die Einhaltung der zugrundeliegenden Biologie gelegt wird. Zunächst extrahieren wir aus der Eingabesegmentierung einen Graphen, bei dem Knoten den Segmentbezeichnungen entsprechen und Kanten potenzielle Split-Fehler in der Übersegmentierung anzeigen. Um die Durchsatzleistung zu erhöhen und eine großskalige Rekonstruktion zu ermöglichen, wenden wir biologisch inspirierte geometrische Einschränkungen basierend auf Neuronmorphologie an, um die Anzahl der Knoten und Kanten zu reduzieren. Anschließend lernen zwei neuronale Netze diese neuronalen Formen, um den Graphenaufbau weiter zu unterstützen. Schließlich formulieren wir das Problem des Regionen-Zusammenfügens neu als Graph-Partitionierungsproblem, um globalen Kontext effektiv nutzen zu können. Wir demonstrieren die Leistungsfähigkeit unseres Ansatzes an vier realen Connectom-Datensätzen und erreichen eine durchschnittliche Verbesserung der Variation of Information um 21,3 %.