新型コロナウイルス感染症（COVID-19）パンデミックは、第二次世界大戦以降、世界が直面している最大の公衆衛生危機である。このパンデミックは世界中を波のように広がっており、世界保健機関（WHO）の最新報告によれば、確認された感染者数および死亡者数は急速に増加している。COVID-19パンデミックは、社会的・経済的・政治的危機を引き起こしており、その影響は長期間にわたり残る可能性がある。ウイルス感染の拡大を制御するための主要な対策の一つとして、感染患者を特定するための特異的かつ正確で信頼性が高く、迅速な検出技術の開発が求められている。多くの国において、RT-PCRキットの入手可能性と費用負担が、感染症対応の主要な障壁となっている。近年の研究では、胸部レントゲン画像に特徴的な異常がCOVID-19感染患者を特徴づける可能性が示されている。本研究では、胸部X線画像の分析を用いて、COVID-19、肺炎、正常の3種類のケースを、人間の介入なしに検出することを目的として、軽量な深層畳み込みニューラルネットワーク（DCNN）「Corona-Nidaan」を提案する。また、データセットの不均衡問題に対処するための単純な少数クラスオーバーサンプリング手法を導入した。さらに、事前学習済みの畳み込みニューラルネットワーク（CNN）を用いた転移学習が、胸部X線画像に基づくCOVID-19感染検出に与える影響についても検証した。実験結果から、Corona-Nidaanモデルは既存の手法および他の事前学習CNNベースのモデルを上回る性能を示した。3クラス分類において95％の正確性（accuracy）を達成し、COVID-19ケースでは94％の精度（precision）と再現率（recall）を記録した。さまざまな事前学習モデルの性能を検討した結果、VGG19が他の事前学習CNNモデルよりも優れており、COVID-19感染検出において93％の正確性、87％の再現率、93％の精度を達成した。本モデルは、インドのCOVID-19感染患者の胸部X線画像データセットを用いた評価においても、高い正確性を示した。