Wir schlagen ein neues Modell für die Segmentierung in der digitalen Pathologie vor, das auf der Beobachtung basiert, dass histopathologische Bilder inherent unter Rotation und Spiegelung symmetrisch sind. Indem wir jüngste Erkenntnisse über rotationsäquivariante CNNs nutzen, nutzt das vorgeschlagene Modell diese Symmetrien auf systematische Weise. Wir präsentieren eine visuelle Analyse, die eine verbesserte Stabilität der Vorhersagen zeigt, und demonstrieren, dass die Ausnutzung von Rotationsäquivarianz die Tumorerkennungsleistung bei einer anspruchsvollen Datensammlung von Lymphknotenmetastasen erheblich verbessert. Des Weiteren stellen wir einen neu abgeleiteten Datensatz vor, um vergleichende Analysen von maschinellen Lernmodellen auf systematische Weise zu ermöglichen, kombiniert mit einem ersten Benchmark. Durch diesen Datensatz wird die Aufgabe der histopathologischen Diagnose als anspruchsvolle Benchmark für grundlegende Forschungen im Bereich des maschinellen Lernens zugänglich.关键词翻译说明：- Digital pathology segmentation: digitale Pathologie-Segmentierung- Histopathology images: histopathologische Bilder- Rotation and reflection: Rotation und Spiegelung- Rotation equivariant CNNs: rotationsäquivariante CNNs (Convolutional Neural Networks)- Visual analysis: visuelle Analyse- Tumor detection performance: Tumorerkennungsleistung- Lymph node metastases dataset: Datensammlung von Lymphknotenmetastasen- Derived dataset: abgeleiteter Datensatz- Machine learning models: maschinelle Lernmodelle- Benchmark: Benchmark