現在の最先端のコネクトーム再構成パイプラインは、主に2段階のプロセスで構成されている。第一段階は、アフィニティ予測とウォーターシェッド変換を用いたピクセルベースの初期セグメンテーションであり、第二段階は過剰セグメンテーションされた領域を統合することで精度を向上させる精緻化処理である。これらの手法は局所的な文脈に依存しており、通常、背後にある生物学的実態を考慮しない。少数の統合誤りが生じると、複数の神経細胞プロセスが誤って結合してしまう可能性があるため、現行のアルゴリズムは過剰セグメンテーションを引き起こすようチューニングされており、結果として高コストな検証作業（proofreading）が大幅に増加している。本研究では、局所的およびグローバルな文脈を併用し、生物学的実態に忠実な再構成を実現するための、コネクトーム再構成パイプラインにおける第三段階を提案する。まず、入力されたセグメンテーションからグラフを抽出する。このグラフでは、ノードがセグメントラベルに対応し、エッジは過剰セグメンテーションにおける潜在的な分割誤りを示す。大規模な再構成を実現するための処理速度向上を図るため、神経細胞の形態学的特徴に基づいた生物学的インスパイアされた幾何制約を導入し、ノードおよびエッジの数を削減する。次に、2つのニューラルネットワークを用いて神経細胞の形状を学習させ、グラフ構築プロセスをさらに支援する。最後に、領域の統合問題をグラフ分割問題に再定式化することで、グローバルな文脈情報を活用する。本手法の有効性を4つの実世界のコネクトームデータセット上で検証した結果、情報量の変動（Variation of Information）において平均21.3%の改善が確認された。