Histologische Bilder sind inhärent rotationsymmetrisch, wobei jede Orientierung gleich wahrscheinlich ist. Trotzdem wird diese rotationsymmetrische Eigenschaft als Vorwissen in modernen Faltungsneuronalen Netzen (Convolutional Neural Networks, CNNs) selten genutzt. Dies führt zu datenhungrigen Modellen, die unabhängige Merkmale in jeder Orientierung lernen müssen. Die Rotationsequivarianz von CNNs eliminiert die Notwendigkeit, diese Transformationssätze aus den Daten zu lernen, und befreit stattdessen Kapazitäten des Modells, sodass es diskriminativere Merkmale erlernen kann. Diese Reduktion der erforderlichen Parameterzahl verringert auch das Überanpassungsrisiko (Overfitting). In dieser Arbeit schlagen wir dicht verbundene CNNs mit stierbaren Filtern (Dense Steerable Filter CNNs, DSF-CNNs) vor, die Gruppenfaltungen mit mehreren rotierten Kopien jedes Filters in einem dicht verbundenen Framework verwenden. Jeder Filter wird als lineare Kombination von stierbaren Basisfiltern definiert, was eine exakte Rotation ermöglicht und die Anzahl der trainierbaren Parameter im Vergleich zu Standardfiltern reduziert. Wir stellen außerdem den ersten umfassenden Vergleich verschiedener rotationsequivarianter CNNs für die Analyse histologischer Bilder bereit und zeigen den Vorteil des Einbezugs der Rotationsymmetrie in moderne Architekturen. Unsere Ergebnisse demonstrieren, dass DSF-CNNs bei drei verschiedenen Aufgaben im Bereich der computergestützten Pathologie – Brusttumorklassifikation, Kolon-Drüsensegmentierung und multigeschichtete Kernsegmentierung – einen Stand-der-Technik-Leistungsnachweis erbringen, wobei sie deutlich weniger Parameter benötigen.