التحديات الحالية في تطوير النماذج الأساسية لبيانات التصوير الحجمي، مثل التصوير بالرنين المغناطيسي (MRI)، تنبع من التعقيد الحاسوبي للهياكل المتقدمة في الأبعاد العالية وجمع مجموعات بيانات حجمية كافية وكبيرة. لمعالجة هذه التحديات، نقدم طريقة Raptor (الحد من الأنسجة الطبقية العشوائية)، وهي طريقة لا تتطلب التدريب لإنشاء تمثيلات غنية بالمعنى لبيانات التصوير الحجمي. يستخدم Raptor نموذجًا أساسيًا ثابتًا ثنائي الأبعاد، مدربًا على الصور الطبيعية، لاستخراج الرموز البصرية من القطع العرضية الفردية للأحجام الطبية. ثم يتم ضغط هذه الرموز مكانيًا باستخدام الاجتياحات العشوائية، مما يقلل بشكل كبير من التعقيد الحاسوبي مع الاحتفاظ بمعلومات معنوية غنية. تؤكد التجارب الواسعة على 10 مهام مختلفة للأحجام الطبية أداء Raptor المتفوق على الأساليب المتقدمة الأخرى، بما في ذلك تلك التي تم تدريبها حصريًا على الأحجام الطبية (+3 SuPreM، +6 MISFM، +10 Merlin، +13 VoCo، و+14 SLIViT)، بينما يتم تجاوز الحاجة إلى التدريب المكلف تمامًا. تسلط نتائجنا الضوء على فعالية Raptor ومرونتها كأساس لتطوير الأساليب المعتمدة على التعلم العميق للأحجام الطبية (الرمز: github.com/sriramlab/raptor).