高分辨率3D醫學圖像生成是醫學影像分析中的一項關鍵任務，但長期以來面臨着計算成本與解剖一致性之間的權衡。全3D體積模型雖然能夠精確捕捉三維結構，但其計算開銷極大，限制了在臨牀和研究中的廣泛應用。相反，基於2D切片的生成方法雖然效率高，卻難以在第三維度（深度方向）保持解剖結構的一致性，常導致切片間出現不連貫或偽影，影響生成體積的可用性。
針對這一挑戰，由Xinhe Zhang等人提出的LiFT（Lifted Inter-slice Feature Trajectories）框架提供了一種新穎的解決方案。LiFT將3D體積合成分解為兩個互補的子任務：逐切片圖像生成和切片間軌跡學習。與端到端建模整個體積分佈不同，LiFT將體積視為特徵空間中的一條有序軌跡，從而捕捉解剖結構在深度方向上的出現、變形和消失過程。這種分解不僅降低了計算複雜度，還使得可以充分利用高效的2D生成器，同時通過軌跡學習來保證三維一致性。
為了實現切片間的一致性，LiFT引入了三平面漂移損失（tri-planar drifting loss）。該損失函數通過將生成切片的軌跡與真實體積的軌跡對齊，迫使模型學習切片間解剖結構的連續變化。在無條件生成任務中，這種分佈學習使得模型能夠生成連貫的3D體積。在成對翻譯任務（如MR到CT）中，LiFT採用雙向z-上下文混合器（bidirectional z-context mixer），該混合器針對配準目標進行訓練，在保持切片保真度的同時，提供跨平面的一致性。這種設計使得LiFT能夠有效處理缺失模態重建和多模態翻譯等複雜任務。
LiFT在BraTS 2023（包括無條件生成和缺失模態MR重建）和SynthRAD2023（MR到CT翻譯）兩個公開數據集上進行了全面評估。實驗結果顯示，LiFT在保持逐切片質量的同時，顯著降低了推理成本：在缺失模態MR重建任務中，LiFT以大約135倍更低的推理成本，接近了報告中的cWDM方法的重建質量，儘管未進行正式的等價性檢驗。在MR到CT翻譯任務中，與無映射器的消融基線相比，LiFT在跨平面連貫性上取得了明顯改進，切片間的結構一致性顯著提升。這些結果充分證明了輕量級切片間軌跡學習是實現高分辨率3D醫學合成的一條可行途徑，為未來的醫學影像生成研究提供了新的方向。