VBM de un solo sujeto (SS-VBM), se ha utilizado como una herramienta alternativa al VBM estándar para estudios de casos individuales. Sin embargo, tiene la desventaja de producir un número excesivamente grande de detecciones de falsos positivos. En este estudio proponemos una técnica de aprendizaje automático ampliamente utilizada para la clasificación automatizada de datos, a saber, Support Vector Machine (SVM), para refinar los hallazgos producidos por SS-VBM. Se llevó a cabo un conjunto controlado de experimentos para evaluar el enfoque propuesto utilizando exploraciones de resonancia magnética T1 tridimensionales de sujetos de control recopilados del conjunto de datos IXI disponible públicamente. Las exploraciones se atrofiaron artificialmente en diferentes lugares y con diferentes tamaños para imitar el comportamiento de los trastornos neurológicos. Los resultados demostraron empíricamente que el método propuesto es capaz de reducir significativamente la cantidad de grupos de falsos positivos (p  <0.05), sin diferencias estadísticas en los verdaderos resultados positivos ( p  > 0.05). Se observó que esta evidencia era consistente para diferentes áreas atrofiadas y tamaños de atrofias. Este enfoque podría potencialmente aplicarse para aliviar el análisis manual intensivo que los radiólogos y médicos tienen que realizar para filtrar las detecciones erróneas de SS-VBM, aumentando su usabilidad para la lectura de imágenes.