Les images d'histologie sont intrinsèquement symétriques par rotation, où chaque orientation est aussi susceptible d'apparaître. Cependant, cette symétrie rotationnelle n'est pas largement utilisée comme connaissance a priori dans les réseaux de neurones convolutifs (CNNs) modernes, ce qui entraîne des modèles gourmands en données qui apprennent des caractéristiques indépendantes à chaque orientation. Permettre aux CNNs d'être équivariants par rotation supprime la nécessité d'apprendre cet ensemble de transformations à partir des données et libère ainsi la capacité du modèle, permettant l'apprentissage de caractéristiques plus discriminantes. Cette réduction du nombre de paramètres requis diminue également le risque de surapprentissage. Dans cet article, nous proposons des CNNs à filtres orientables denses (DSF-CNNs) qui utilisent des convolutions de groupe avec plusieurs copies rotatives de chaque filtre dans un cadre densément connecté. Chaque filtre est défini comme une combinaison linéaire de filtres de base orientables, ce qui permet une rotation exacte et réduit le nombre de paramètres entraînables par rapport aux filtres standards. Nous fournissons également la première comparaison approfondie de différents CNNs équivariants par rotation pour l'analyse d'images d'histologie et démontrons l'avantage d'intégrer la symétrie rotationnelle dans les architectures modernes. Nous montrons que les DSF-CNNs atteignent des performances de pointe, avec beaucoup moins de paramètres, lorsqu'ils sont appliqués à trois tâches différentes dans le domaine de la pathologie computationnelle : classification des tumeurs mammaires, segmentation des glandes coliques et segmentation nucléaire multi-tissulaire.