高解像度3D医用画像生成は、医療画像解析において重要な課題であるが、計算コストと解剖学的一貫性の間のトレードオフが長らく問題となっている。全3Dボリュームモデルは三次元構造を正確に捉えることができるが、計算負荷が非常に高く、臨床や研究での広範な応用が制限されている。一方、2Dスライスベースの生成手法は効率的であるが、第三の次元（深さ方向）で解剖学的一貫性を維持することが難しく、スライス間の不連続やアーティファクトが生じやすい。
この課題に対し、Xinhe Zhang氏らが提案したLiFT（Lifted Inter-slice Feature Trajectories）フレームワークは、斬新な解決策を提供する。LiFTは3Dボリューム合成を、スライスごとの画像生成とスライス間軌跡学習という2つの相補的なサブタスクに分解する。ボリューム分布をエンドツーエンドでモデル化する代わりに、LiFTはボリュームを特徴空間内の順序付けられた軌跡として扱い、解剖学的構造が深さ方向に現れ、変化し、消失する過程を捉える。この分解により計算複雑性が低減され、効率的な2D生成器を活用しつつ、軌跡学習によって三次元の一貫性を確保できる。
スライス間の一貫性を実現するために、LiFTは三平面ドリフト損失（tri-planar drifting loss）を導入する。この損失関数は、生成スライスの軌跡を実ボリュームの軌跡に合わせることで、モデルにスライス間の解剖学的変化の連続性を学習させる。無条件生成タスクでは、この分布学習により一貫性のある3Dボリュームを生成できる。ペア変換タスク（例：MRからCT）では、LiFTは双方向z-コンテキストミキサー（bidirectional z-context mixer）を採用する。このミキサーは位置合わせされたターゲットに対して訓練され、スライスごとの忠実度を維持しつつ、面間のコヒーレンスを提供する。この設計により、LiFTは欠損モダリティ再構成やマルチモーダル変換などの複雑なタスクを効果的に処理できる。
LiFTはBraTS 2023（無条件生成および欠損モダリティMR再構成）とSynthRAD2023（MRからCT変換）の2つの公開データセットで包括的に評価された。実験結果は、LiFTがスライスごとの品質を維持しながら、推論コストを大幅に削減することを示した：欠損モダリティMR再構成タスクでは、LiFTは報告されたcWDM手法の再構成品質に約135倍低い推論コストで近づいた（正式な同等性検定は未実施）。MRからCT変換タスクでは、マッパーなしのアブレーションと比較して、面間コヒーレンスが顕著に改善され、スライス間の構造的一貫性が向上した。これらの結果は、軽量なスライス間軌跡学習が高解像度3D医用合成の実現可能な経路であることを実証し、将来の医用画像生成研究に新たな方向性を示している。