組織学的画像は、回転に対して本質的に対称であり、各方向が同じ確率で現れる可能性があります。しかし、この回転対称性は現代の畳み込みニューラルネットワーク（CNNs）において先験知識として広く利用されていません。その結果、データに依存するモデルとなり、各方向で独立した特徴を学習することになります。CNNsに回転等変性（rotation-equivariance）を許すと、データからこれらの変換を学習する必要がなくなり、代わりにモデルの容量が解放され、より識別力のある特徴を学習することができます。必要なパラメータ数の削減は過学習のリスクも低減します。本論文では、グループ畳み込みを使用し、各フィルタの複数の回転コピーを密接に接続されたフレームワークで利用するDense Steerable Filter CNNs（DSF-CNNs）を提案します。各フィルタはステアブル基底フィルタの線形結合として定義され、正確な回転を可能にし、標準的なフィルタと比較して学習可能なパラメータ数を減少させます。また、組織学的画像解析における異なる回転等変性CNNsの初めての詳細な比較を行い、現代のアーキテクチャに回転対称性をエンコードすることの優位性を示します。我々は計算病理学分野における3つの異なる課題に対するDSF-CNNsの性能が最先进技术レベルであることを示し、かつ大幅に少ないパラメータ数で達成できることを証明しています。これらの課題とは乳癌分類、大腸腺セグメンテーションおよび多組織核セグメンテーションです。