データの取得とアノテーションにおける困難が、3D医療画像応用の学習データセットのサンプルサイズを大幅に制限しています。その結果、十分な事前学習パラメータがない状況下で、ゼロから高性能な3D畳み込みニューラルネットワーク（CNN）を構築することは依然として難しい課題となっています。これまでの3D事前学習に関する取り組みは、自己監督手法に頻繁に依存しており、ラベルなしデータを使用して予測または対照的な学習を行い、不変の3D表現を構築していました。しかし、大規模な監督情報が利用できないため、これらの学習フレームワークから意味的に不変かつ識別可能な表現を得ることは問題を抱えています。本論文では、革新的でありながら単純な完全監督型3Dネットワーク事前学習フレームワークを見直し、大規模2D自然画像データセットからの意味的な監督情報を活用することを目指しています。再設計された3Dネットワークアーキテクチャにより、改編された自然画像がデータ不足の問題に対処し、強力な3D表現を開発するために使用されます。4つのベンチマークデータセットでの包括的な実験により、提案される事前学習モデルが収束を効果的に加速しつつ、分類、セグメンテーション、検出などのさまざまな3D医療画像タスクにおいて精度も向上させることを示しています。さらに、ゼロからの学習と比較して最大60%のアノテーション作業量を削減できることが確認されています。NIH DeepLesionデータセットにおいても、提案手法は最先端の検出性能を達成しており、以前の自己監督および完全監督型事前学習手法やゼロからの学習方法よりも優れた結果を示しています。3D医療モデルのさらなる開発を促進するため、当社のコードと事前学習済みモデルの重みは公開されており、https://github.com/urmagicsmine/CSPR からアクセスできます。