高分辨率3D医学图像生成是医学影像分析中的一项关键任务，但长期以来面临着计算成本与解剖一致性之间的权衡。全3D体积模型虽然能够精确捕捉三维结构，但其计算开销极大，限制了在临床和研究中的广泛应用。相反，基于2D切片的生成方法虽然效率高，却难以在第三维度（深度方向）保持解剖结构的一致性，常导致切片间出现不连贯或伪影，影响生成体积的可用性。
针对这一挑战，由Xinhe Zhang等人提出的LiFT（Lifted Inter-slice Feature Trajectories）框架提供了一种新颖的解决方案。LiFT将3D体积合成分解为两个互补的子任务：逐切片图像生成和切片间轨迹学习。与端到端建模整个体积分布不同，LiFT将体积视为特征空间中的一条有序轨迹，从而捕捉解剖结构在深度方向上的出现、变形和消失过程。这种分解不仅降低了计算复杂度，还使得可以充分利用高效的2D生成器，同时通过轨迹学习来保证三维一致性。
为了实现切片间的一致性，LiFT引入了三平面漂移损失（tri-planar drifting loss）。该损失函数通过将生成切片的轨迹与真实体积的轨迹对齐，迫使模型学习切片间解剖结构的连续变化。在无条件生成任务中，这种分布学习使得模型能够生成连贯的3D体积。在成对翻译任务（如MR到CT）中，LiFT采用双向z-上下文混合器（bidirectional z-context mixer），该混合器针对配准目标进行训练，在保持切片保真度的同时，提供跨平面的一致性。这种设计使得LiFT能够有效处理缺失模态重建和多模态翻译等复杂任务。
LiFT在BraTS 2023（包括无条件生成和缺失模态MR重建）和SynthRAD2023（MR到CT翻译）两个公开数据集上进行了全面评估。实验结果显示，LiFT在保持逐切片质量的同时，显著降低了推理成本：在缺失模态MR重建任务中，LiFT以大约135倍更低的推理成本，接近了报告中的cWDM方法的重建质量，尽管未进行正式的等价性检验。在MR到CT翻译任务中，与无映射器的消融基线相比，LiFT在跨平面连贯性上取得了明显改进，切片间的结构一致性显著提升。这些结果充分证明了轻量级切片间轨迹学习是实现高分辨率3D医学合成的一条可行途径，为未来的医学影像生成研究提供了新的方向。