La plupart des pipelines actuels de reconstruction du connectome de pointe se déroulent en deux étapes principales : une segmentation initiale basée sur les pixels avec prédiction d'affinités et transformation de watershed, suivie d'une segmentation raffinée par fusion de régions sur-segmentées. Ces méthodes ne tiennent compte que du contexte local et sont généralement indifférentes à la biologie sous-jacente. Étant donné qu’un petit nombre d’erreurs de fusion peut entraîner plusieurs processus neuronaux incorrectement fusionnés, ces algorithmes sont actuellement optimisés vers une sur-segmentation, ce qui génère une charge importante de relecture manuelle coûteuse. Nous proposons une troisième étape pour les pipelines de reconstruction du connectome, visant à raffiner une sur-segmentation en exploitant à la fois le contexte local et global, tout en mettant l’accent sur la conformité avec la biologie sous-jacente. Nous commençons par extraire un graphe à partir d’une segmentation d’entrée, où les nœuds correspondent aux étiquettes de segments et les arêtes indiquent des erreurs potentielles de séparation dans la sur-segmentation. Afin d’améliorer le débit de traitement et de permettre une reconstruction à grande échelle, nous utilisons des contraintes géométriques inspirées de la morphologie neuronale pour réduire le nombre de nœuds et d’arêtes. Ensuite, deux réseaux neuronaux apprennent ces formes neuronales afin d’aider davantage le processus de construction du graphe. Enfin, nous reformulons le problème de fusion de régions en un problème de partitionnement de graphe afin d’exploiter pleinement le contexte global. Nous démontrons la performance de notre approche sur quatre jeux de données réels de connectomique, avec une amélioration moyenne de 21,3 % en termes d’information variationnelle.