La resonancia magnética y la tomografía computarizada producen imágenes médicas volumétricas tridimensionales. Aunque un valor escalar representa cada elemento volumétrico individual, o voxel, los datos volumétricos se caracterizan por características derivadas de grupos de voxels vecinos y sus relaciones inherentes, que pueden variar según la aplicación clínica específica. Las muestras etiquetadas también son necesarias en la mayoría de las aplicaciones, lo cual puede ser problemático para conjuntos de datos grandes como las imágenes médicas. Proponemos un marco de representación de volumen directo (DVR) basado en el embebido de vecinos de reducción de dimensionalidad a múltiples escalas que genera dominios de función de transferencia (TF) bidimensionales. De esta manera, presentamos FSS.t-SNE, una versión semisupervisada rápida del método de embebido de vecinos estocásticos distribuidos en t (t-SNE) que trabaja sobre cientos de miles de voxels sin el problema de hacinamiento y con una mejor separación en un histograma 2D en comparación con los dominios TF tradicionales. Nuestro FSS.t-SNE dispersa voxels del mismo subvolumen en una región más amplia a través del embebido de vecinos a múltiples escalas, preservando mejor tanto las estructuras de datos locales como globales y permitiendo su exploración interna basada en las características originales del espacio multidimensional, aprovechando las etiquetas parcialmente proporcionadas. Además, FSS.t-SNE desenreda los caminos de las muestras entre subvolúmenes, lo que nos permite explorar bordes y transiciones. Además, nuestro enfoque emplea una aproximación de Barnes-Hut para reducir la complejidad computacional de (t-SNE) a. Aunque requerimos el paso adicional de generar el dominio TF 2D a partir de múltiples características, nuestros experimentos muestran un rendimiento prometedor en la segmentación de volumen y la inspección visual.