In der medizinischen Bildanalyse stellt die Kosten für die Beschaffung hochwertiger Daten sowie deren Expertenannotation eine erhebliche Hürde für viele medizinische Anwendungen dar. Die meisten der derzeit eingesetzten Techniken basieren auf einem überwachten Lernframework und erfordern eine große Menge annotierter Daten, um eine zufriedenstellende Leistung zu erzielen. Als Alternative schlagen wir in diesem Paper einen selbstüberwachten Lernansatz (Self-Supervised Learning, SSL) vor, um räumliche anatomische Darstellungen aus den Bildern von Magnetresonanz-(MR)-Videoclips für die Diagnose von Knieerkrankungen zu lernen. Das Vorabmodell lernt bedeutungsvolle, raumbezogene, kontextinvariante Darstellungen. Die nachgeschaltete Aufgabe in unserer Arbeit ist eine klassenunbalancierte Mehrlabels-Klassifikation. Verschiedene Experimente zeigen, dass die durch das Vorabmodell gelernten Merkmale eine konkurrenzfähige Leistung bei der nachgeschalteten Aufgabe erzielen. Darüber hinaus wird aus den Ergebnissen deutlich, dass das vorgeschlagene Vorabmodell effizient und zuverlässig ist, wenn es darum geht, Darstellungen seltener Klassen zu lernen, ohne dass zur Behandlung der Unbalancierung im Datensatz spezielle Strategien angewendet werden müssen. Soweit uns bekannt ist, stellt diese Arbeit die erste Studie dieser Art dar, die die Wirksamkeit und Zuverlässigkeit selbstüberwachter Lernalgorithmen bei klassenunbalancierten Mehrlabels-Klassifikationsaufgaben auf MR-Videos nachweist.Der Quellcode zur Evaluation des vorgeschlagenen Ansatzes ist unter https://github.com/sadimanna/skid verfügbar.