En el actual brote de COVID-19, las modalidades de imagen radiográfica como los escáneres de tomografía computarizada (TC) se utilizan comúnmente para la evaluación visual de la infección por COVID-19. Sin embargo, la evaluación personal de las imágenes de TC es un proceso que lleva tiempo y requiere radiólogos expertos. Los avances recientes en el campo de la inteligencia artificial han logrado un rendimiento notable de los métodos de diagnóstico asistido por computadora (CAD). Por lo tanto, se han propuesto varias soluciones CAD impulsadas por el aprendizaje profundo para el diagnóstico automático de la infección por COVID-19. Sin embargo, la mayoría de ellos consideran un número limitado de muestras de datos para desarrollar y validar sus métodos. Además, varios métodos existentes emplean modelos basados en imágenes considerando solo información espacial para tomar una decisión diagnóstica en caso de datos volumétricos 3D. Para abordar estas limitaciones, proponemos una red secuencial de dilatación y mezcla (DSS-Net) que considera tanto características espaciales como estructurales 3D en caso de datos volumétricos de TC y toma una decisión diagnóstica efectiva. Para calcular el rendimiento de la DSS-Net propuesta, combinamos tres conjuntos de datos de acceso público que incluyen un gran número de muestras de datos positivos y negativos. Finalmente, nuestra DSS-Net muestra un rendimiento promedio del 96,58%, 96,53%, 97,07%, 96,01% y 98,54% en términos de precisión, puntaje F1, precisión promedio, sensibilidad promedio y área bajo la curva, respectivamente, y supera a varios métodos de vanguardia.