Nous proposons un nouveau modèle pour la segmentation en pathologie numérique, basé sur l'observation que les images d'histopathologie sont intrinsèquement symétriques par rotation et réflexion. En utilisant des résultats récents sur les CNN équivariants à la rotation, le modèle proposé exploite ces symétries de manière rigoureuse. Nous présentons une analyse visuelle montrant une amélioration de la stabilité des prédictions, et démontrons que l'exploitation de l'équivariance à la rotation améliore considérablement les performances de détection des tumeurs sur un ensemble de données difficile concernant les métastases ganglionnaires. Nous présentons également un nouveau jeu de données dérivé permettant une comparaison rigoureuse des modèles d'apprentissage automatique, associé à un premier benchmark. Grâce à ce jeu de données, la tâche du diagnostic d'histopathologie devient accessible comme un benchmark exigeant pour la recherche fondamentale en apprentissage automatique.