في تحليل الصور الطبية، يُعدّ تكلفة جمع بيانات عالية الجودة وعملية تسمية هذه البيانات من قبل الخبراء عائقًا في العديد من التطبيقات الطبية. تعتمد معظم التقنيات المستخدمة حاليًا على إطار عمل التعلم الخاضع للإشراف، والذي يتطلب كميات كبيرة من البيانات المُعلّمة لتحقيق أداء مرضٍ. كحل بديل، نقترح في هذا البحث نهجًا للتعلم ذاتي (Self-Supervised Learning - SSL) لاستخلاص تمثيلات فضائية هندسية (Anatomical) من الإطارات المأخوذة من مقاطع فيديو الرنين المغناطيسي (MR) بهدف تشخيص الحالات الطبية المتعلقة بالركبة. يتعلم النموذج الأولي (pretext model) تمثيلات ذات معنى تكون غير حساسة للسياق الفضائي. أما المهمة التالية (downstream task) في هذا البحث فهي تصنيف متعدد العلامات غير متوازن من حيث الفئات. تُظهر النتائج الناتجة عن مختلف التجارب أن الميزات المستخلصة من النموذج الأولي تُقدّم أداءً تنافسيًا في المهمة التالية. علاوةً على ذلك، يمكن ملاحظة كفاءة وموثوقية النموذج الأولي المقترح في استخلاص تمثيلات للطبقات النادرة (minority classes) دون الحاجة إلى تطبيق أي استراتيجية لمعالجة عدم التوازن في البيانات. إلى حد معرفتنا، يُعد هذا العمل أول عمل من نوعه الذي يُظهر فعالية وموثوقية خوارزميات التعلم ذاتي في مهام التصنيف متعدد العلامات غير المتوازنة على مقاطع فيديو الرنين المغناطيسي.يمكن الاطلاع على الشيفرة المستخدمة لتقييم العمل المقترح عبر الرابط التالي: https://github.com/sadimanna/skid.