摘要

当前最先进的连接组重建流程通常包含两个主要步骤：首先基于像素的初始分割，结合亲和力预测与分水岭变换（watershed transform），随后通过合并过度分割区域实现精细化分割。然而，这些方法仅依赖局部上下文信息，通常对潜在生物学机制缺乏考虑。由于少量合并错误可能导致多个神经元过程被错误合并，因此现有算法普遍倾向于过度分割，从而产生大量需要人工校对的冗余工作。为此，我们提出在连接组重建流程中引入第三步，利用局部与全局上下文信息，特别是强调遵循生物学真实结构，以优化过度分割结果。具体而言，我们首先从输入的分割结果中提取一个图结构，其中节点代表分割标签，边则表示过度分割中潜在的错误分割位置。为提升处理效率并支持大规模重建，我们引入基于神经元形态学特征的生物启发式几何约束，有效减少图中的节点与边数量。随后，我们采用两个神经网络模型学习神经元的形态特征，进一步辅助图结构的构建。最后，我们将区域合并问题重新建模为图划分问题，从而充分整合全局上下文信息。我们在四个真实世界连接组数据集上验证了所提方法的性能，平均信息变异度（Variation of Information, VI）指标提升达21.3%，显著优于现有方法。