Pneumonia is a very common and fatal disease, which needs to be identified at the initial stages in order to prevent a patient having this disease from more damage and help him/her in saving his/her life. Various techniques are used for the diagnosis of pneumonia including chest X-ray, CT scan, blood culture, sputum culture, fluid sample, bronchoscopy, and pulse oximetry. Medical image analysis plays a vital role in the diagnosis of various diseases like MERS, COVID-19, pneumonia, etc. and is considered to be one of the auspicious research areas. To analyze chest X-ray images accurately, there is a need for an expert radiologist who possesses expertise and experience in the desired domain. According to the World Health Organization (WHO) report, about 2/3 people in the world still do not have access to the radiologist, in order to diagnose their disease. This study proposes a DL framework to diagnose pneumonia disease in an efficient and effective manner. Various Deep Convolutional Neural Network (DCNN) transfer learning techniques such as AlexNet, SqueezeNet, VGG16, VGG19, and Inception-V3 are utilized for extracting useful features from the chest X-ray images. In this study, several machine learning (ML) classifiers are utilized. The proposed system has been trained and tested on chest X-ray and CT images dataset. In order to examine the stability and effectiveness of the proposed system, different performance measures have been utilized. The proposed system is intended to be beneficial and supportive for medical doctors to accurately and efficiently diagnose pneumonia disease.

中文翻译：

---

应用基于深度学习和机器学习技术的智能计算框架识别肺炎

肺炎是一种非常常见且致命的疾病，需要在初始阶段进行识别，以防止患有这种疾病的患者受到更大的伤害并帮助他/她挽救生命。肺炎的诊断使用了多种技术，包括胸部X光，CT扫描，血液培养，痰培养，体液样本，支气管镜检查和脉搏血氧饱和度测定。医学图像分析在诸如MERS，COVID-19，肺炎等各种疾病的诊断中起着至关重要的作用，被认为是吉祥的研究领域之一。为了准确地分析胸部X射线图像，需要在所需领域具有专业知识和经验的放射线专家。根据世界卫生组织（WHO）的报告，世界上大约有2/3的人仍无法获得放射科医生的帮助，为了诊断自己的病。这项研究提出了一种以有效的方式诊断肺炎的DL框架。诸如AlexNet，SqueezeNet，VGG16，VGG19和Inception-V3之类的各种深层卷积神经网络（DCNN）转移学习技术可用于从胸部X射线图像中提取有用的特征。在这项研究中，利用了几种机器学习（ML）分类器。所提议的系统已经在胸部X射线和CT图像数据集上进行了培训和测试。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。这项研究提出了一种以有效的方式诊断肺炎的DL框架。诸如AlexNet，SqueezeNet，VGG16，VGG19和Inception-V3之类的各种深层卷积神经网络（DCNN）转移学习技术可用于从胸部X射线图像中提取有用的特征。在这项研究中，利用了几种机器学习（ML）分类器。所提议的系统已经在胸部X射线和CT图像数据集上进行了培训和测试。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。这项研究提出了一种以有效的方式诊断肺炎的DL框架。诸如AlexNet，SqueezeNet，VGG16，VGG19和Inception-V3之类的各种深层卷积神经网络（DCNN）转移学习技术可用于从胸部X射线图像中提取有用的特征。在这项研究中，利用了几种机器学习（ML）分类器。所提议的系统已经在胸部X射线和CT图像数据集上进行了培训和测试。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。SqueezeNet，VGG16，VGG19和Inception-V3用于从胸部X射线图像中提取有用的特征。在这项研究中，利用了几种机器学习（ML）分类器。所提议的系统已经在胸部X射线和CT图像数据集上进行了培训和测试。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。SqueezeNet，VGG16，VGG19和Inception-V3用于从胸部X射线图像中提取有用的特征。在这项研究中，利用了几种机器学习（ML）分类器。所提议的系统已经在胸部X射线和CT图像数据集上进行了培训和测试。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。为了检查所提出系统的稳定性和有效性，已采用了不同的性能指标。所提出的系统旨在为医生准确，有效地诊断肺炎疾病提供有益的支持。